1. 高等数学

大多数学生所学专业，覆盖各个领域，虽然期末也让很多人头痛（高数高数，高树上挂满了人），但整体难度偏低——给到NPC。

2. 线性代数

和高数一样非常热门的一门数学，但思路清晰，运算简单（堪称大型矩形数字消消乐）——也给到NPC。

3. 概率论与数理统计

公式化计算，套路古板，题型固定。背完三大分布就能拿满分，难度较低——给到拉完了。

4. 数学分析

证明偏多，计算复杂，理论深奥。把直觉懂的东西全用 $\epsilon-\delta$ 语言按在地上摩擦，令无数英雄竞折腰——给到人上人！

5. 高等代数

理论深奥、维度较大，入门困难，线代的大哥——给到人上人。

6. 实变函数与泛函分析

理论深奥，证明极难。实变实变补考十遍，泛函泛函让人心烦，整体难度极大——给到夯👍！

7. 微分方程（包括但不局限于ODE, PDE, SDE…）

特解，通解，让人咋解； 看微分，测微分，期末微分。 常微分常没分，偏微分偏没分， 随机微分随机过。 ——给到顶级。

8. 拓扑学

集合映射加拓扑，各个领域都包含。 开集闭集分不清，连通紧致要人命。超级抽象，范围超广——给到顶级。

9. 近世代数

整本书翻开连个阿拉伯数字都找不到。 世事一场大梦，人生几度秋凉， ——必须给到顶级。

在经典的因果推断（Pearl, 2009）中，因果干预是通过 do 算子 来建模的。它通过手术般地切断指向目标变量的所有入边，并将其强制设定为一个固定值。尽管这一操作在数学上十分简洁，但“图手术”在本质上是非连续的：它在瞬间将转移速率归零，这违背了必须遵守概率守恒和有限传输速度的物理过程。

Erbar-Maas 奇异干预定理 提供了连接两者的数学桥梁。通过将因果干预表示为连续时间恢复力在无穷大速率下的奇异极限，我们成功证明了：Pearl 的非连续因果图手术完全可以从连续时间马尔可夫链（CTMC）的时间尺度分离极限中精确恢复。

下面是一个交互式数学实验室，展示了该定理背后的收敛过程、Wasserstein 几何以及熵梯度流。

数学框架与核心原理

为了帮助理解这一奇异极限，我们在此梳理其背后的核心数学结构：

1. 连续时间马尔可夫链 (CTMC)

设定我们的系统运行在具有三个状态 $\mathcal{S} = {A, B, C}$ 的有限状态图上。状态概率分布 $p(t) = [p_A(t), p_B(t), p_C(t)]$ 遵循柯尔莫哥洛夫向前方程（Kolmogorov forward equation）：

$$\dot{p}(t) = p(t) Q$$

其中 $Q$ 是满足以下条件的无穷小生成元矩阵：

• 对于所有 $i \neq j$，$Q_{ij} \geq 0$（正的转移速率强度）。
• 对任意行 $\sum_{j} Q_{ij} = 0$（概率守恒）。

2. 细致平衡与梯度流

我们假设未受扰动的马尔可夫链相对于平稳分布 $\pi$ 是可逆的，满足细致平衡条件：

$$\pi_i Q_{ij} = \pi_j Q_{ji}$$

在这种对称性下，线性马尔可夫演化可以被重写为相对熵（Kullback-Leibler 散度）在 Erbar-Maas 离散黎曼度量下的最陡下降（梯度流）：

$$\mathcal{H}(p \mid \pi) = \sum_{i \in \mathcal{S}} p_i \log \frac{p_i}{\pi_i}$$

该度量张量为概率单纯形装备了离散的 Wasserstein 几何，其中沿着边 $(i, j)$ 的流动性（mobility）由状态密度的对数平均来加权：

$$\Lambda(p_i, p_j) = \frac{p_i - p_j}{\log p_i - \log p_j}$$

3. Pearl 的图手术 vs 奇异摄动

将系统强制干预到状态 $C$ 对应于切断所有指向 $C$ 的入边转移速率：

$$Q_{do} = \begin{pmatrix}

• (Q_{AB} + 0) & Q_{AB} & 0 \ Q_{BA} & - (Q_{BA} + 0) & 0 \ Q_{CA} & Q_{CB} & - (Q_{CA} + Q_{CB}) \end{pmatrix}$$

而在物理上，我们通过引入一个以速率参数 $\lambda$ 将概率质量强力拉向 $C$ 的恢复项 $\lambda R$ 来对此建模：

$$Q_\lambda = Q_{do} + \lambda R_C$$

当 $\lambda \to \infty$ 时，系统展现出两个截然不同的时间尺度：

1. 快速瞬态阶段 ($O(1/\lambda)$): 任意初始概率质量瞬间通过投影算子 $\Pi_C$ 塌缩到干预流形（状态 $C$）。
2. 慢速演化阶段: 塌缩后的概率质量在被限制在目标子空间的投影慢速动力学 $\Pi_C Q_{do} \Pi_C$ 下继续演化。

最终的等价性由下式给出：

$$\lim_{\lambda \to \infty} e^{t Q_\lambda} = \Pi_C e^{t \Pi_C Q_{do} \Pi_C}$$

这严谨地证明了，因果图手术正是物理恢复过程的奇异极限。

要对经典证明进行“抽依赖、再压缩”，最好的切入点莫过于 El Gamal 与 Kim 第 16 章中的核心结果：一般离散无记忆继电信道的割集上界与物理退化离散无记忆继电信道的容量定理。这两个结果源自 Cover–El Gamal 1979 年的论文，虽然历史地位极高，但原始证明带有浓厚的时代包袱，存在巨大的简化空间。

为什么要重构？

1979 年原论文在可达性部分使用了“随机划分 + 歧义集求交”的策略。这在当时是非常漂亮的构造，但以今天的眼光看，它并非最短路径。

如果我们只追求得到同一个译码转发率，完全可以用**“规则编码 + 逆向译码”**来降维打击。这种方式能彻底删去随机划分、分箱分析以及那段冗长的 Slepian–Wolf 风格解析。与此同时，逆定理也可以被高度模块化为：两次 Fano 不等式 + 因果马尔可夫链论证 + 单字母化凹性引理。

重构的核心逻辑在于：退化性并非可达性的前提。可达性构造对一般继电信道本就成立，退化假设仅仅是为了在逆定理最后一步收紧上界。

定理筛选：哪里还有压缩空间？

在《Network Information Theory》的版图中，我筛选了以下几个最值得模块化重构的对象。标准不在于结论是否出名，而在于其证明链条是否能进一步抽象化。

逻辑链条重组

我们将整个证明压缩为以下逻辑路径：

1. 两刀逆定理：
   • 第一刀切在接收端，利用 Fano 不等式锁定 $I(X_1, X_2; Y_3)$。
   • 第二刀切在“中继增强”系统，锁定 $I(X_1; Y_2, Y_3 | X_2)$。
   • 这里仅依赖 Fano、因果性和无记忆性，无需退化假设。
2. 逆向译码可达性：
   • 采用块马尔可夫叠加编码。
   • 中继正向译码，目的端逆向译码。
   • 逆向译码的神奇之处在于：一旦已知下一块消息，当前块的判决就变成了纯粹的单用户判决，直接跳过了分箱歧义集分析。
3. 退化特化：
   • 加入物理退化马尔可夫链 $X_1 \to (X_2, Y_2) \to Y_3$。
   • 此时第二刀的互信息项自动塌缩，上下界闭合。

下一步：迈向形式化

目前的证明草稿在数学结构上已实现闭合。接下来的收尾工作仅涉及典型集误差项的 $\delta(\varepsilon)$ 细账，以及将三节点模型推广到一般时间展开有向无环图（DAG）时的符号整理。

对于 Lean 等形式化证明工程来说，最优雅的路径是将此拆解为三个独立引理：两刀逆定理引理、逆向译码可达性引理、以及正交网络下的跨割分解。这才是这组经典结果最纯粹的形态。

这个网站是我的老公 tree2601@github.io 帮我搭建的！

这个博客主要堆放的还是我的爱情故事和童话故事书。但我知道大多数的访客应该都来自学术或者工业界。既然如此，期待你停下脚步欣赏我的文学和艺术创想，说不定会发现一些有趣的细节和灵感启迪！💗

研究综述

奇异终点处的重正化信息几何坐落在三个不同传统的交汇处。

经典信息几何研究光滑统计流形上的费雪度量，通常严格限制在固定的绝对连续类（“内部度量”）内。最优传输提供概率测度的度量几何，并控制熵梯度流（“运动学”）。有限部分重正化从奇异渐近展开中提取正则量（“跨越障碍后有限部分的幸存”）。

本研究计划在边界处统一了这些观点。 当一族模型逼近奇异终点并从根本上打破等价测度机制时，普通的费雪信息量、熵（KL散度）和传输量（例如 Wasserstein距离）必然发散或崩溃。然而，它们的有限部分残差依然存活，从而定义了一个全新的边界几何。

该框架在不同领域中表现出一致性：在高斯条件作用下，该残差严格产生 Cameron–Martin 能量；在瓦瑟斯坦终端极限下，它呈现为有限部分熵斜率；而在马尔可夫信息通道中，它结晶为无穷小香农算子。

感谢大家对我的支持和阅览，祝大家：

2026-05-10 Lucia