arXiv 论文：信息瓶颈编码器应学到什么，分离表征学习与码率控制
原文标题：What Should an Information Bottleneck Encoder Learn? Separating Representation Learning from Rate Control
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文研究信息瓶颈（IB）中表征学习与码率控制能否解耦。作者证明在高斯数据下 IB 解可分解为与 β 无关的方向矩阵 W 和标量增益，并将该结论推广到非高斯情形，用充分性亏空 ε_F 刻画分离误差。在 MNIST、SVHN、CIFAR-10、STL-10 上，冻结 CNN 表征加每预算一个压缩器-解码器，训练 MACs 降低 7.7 倍、耗时约降 2 倍，且强压缩下精度更高。
- 问题
- 信息瓶颈每个码率点都要重训编码器，表征学习与码率控制能否解耦。
- 方法
- 证明高斯下IB解分解为与β无关的方向矩阵和标量增益，并用充分性亏空刻画非高斯分离误差。
- 结果
- 冻结CNN表征加每预算一个压缩器-解码器，训练MACs降7.7倍、耗时约降2倍，预算平均精度65.6%。
- 影响
- 一次表征多次复用，可显著降低多码率部署的训练与推理成本。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。