¿Eh? La nueva ganadora de la Medalla Fields, Wang Hong, ¿también se aventuró en la IA?
Con la publicación inminente de los resultados de NeurIPS 2026, algunos internautas han descubierto que la profesora Wang Hong publicó un artículo en NeurIPS 2019.
Y no fue solo una mención nominal, sino como co-primera autora real.
Entonces surge la pregunta: ¿por qué una matemática de élite en el ámbito de las matemáticas puras publicaría un artículo en una conferencia de primer nivel sobre IA?
Leyéndolo detenidamente, nuestra conclusión es que es un ejemplo perfecto de teoría matemática + aprendizaje automático.
Sin embargo, lo interesante es que en la página web personal de Wang Hong, donde enumera casi 40 artículos y preimpresiones, casi todos incluyen enlaces completos.
Excepto este, que es una excepción.
Wang Hong cruza fronteras para enfrentar la IA
Este artículo investiga una tarea fundamental en el aprendizaje automático y el análisis de datos: la aproximación de matrices de bajo rango.
En pocas palabras, los datos del mundo real a menudo pueden organizarse en una matriz, pero estas matrices suelen ser muy grandes, y su almacenamiento y procesamiento directos son extremadamente costosos.
La aproximación de bajo rango consiste en utilizar una matriz de estructura más simple y de rango inferior para reconstruir la matriz original con la mayor precisión posible.
Un algoritmo de aproximación comúnmente utilizado recientemente es la selección de subconjuntos de columnas (Column Subset Selection, CSS).
Su enfoque es en realidad muy intuitivo.
Frente a una matriz de datos que contiene una gran cantidad de columnas, en lugar de calcular directamente una nueva matriz de bajo rango, se seleccionan varias columnas representativas de la matriz original y se utiliza el espacio que generan para aproximar toda la matriz.
Dado que las columnas seleccionadas por CSS provienen directamente de los datos originales, son más fáciles de interpretar que los vectores abstractos obtenidos mediante la descomposición matricial común, al mismo tiempo que reducen los costos de almacenamiento y cómputo, lo que las hace adecuadas para el procesamiento de datos a gran escala.
Investigaciones anteriores demostraron que, para la aproximación general de bajo rango, la cota superior del ratio de aproximación del algoritmo CSS es aproximadamente O(k+1).
Aquí, k se refiere al rango de la matriz objetivo; cuanto mayor es k, mayor es teóricamente el peor error permitido.
El trabajo de Wang Hong y otros, sin embargo, avanza aún más esta cota:
Para 1 ≤ p ≤ 2, el ratio de aproximación es (k+1)^(1/p);
Para p ≥ 2, el ratio de aproximación es (k+1)^(1−1/p).
Comparado con el resultado previo unificado de O(k+1), esta cota es claramente más ajustada; el algoritmo puede ser estrictamente limitado, y el peor resultado solo será ligeramente inferior a la solución óptima.
Además, para el caso p ≥ 2, el artículo también construye la cota inferior correspondiente, demostrando que su resultado es exacto hasta una constante de 1.
En otras palabras, este artículo proporciona una respuesta teórica casi definitiva.
Y la parte más crucial de este artículo, que también refleja el trasfondo matemático de Wang Hong, es el uso de la herramienta clásica del análisis armónico: el teorema de interpolación de Riesz–Thorin.
Normalmente, para demostrar que un algoritmo es válido para todos los valores de p, se requiere un análisis complejo por separado para diferentes valores de p.
Para ciertos casos extremos, como p=1, p=2 y p=∞, el análisis es relativamente más sencillo.
Luego, el teorema de interpolación de Riesz–Thorin permite "interpolar" las conclusiones a todos los valores intermedios de p, una vez que se dominan los resultados para esos casos extremos.
Concretamente, el artículo primero demuestra los tres casos especiales p=1, 2, ∞, y luego deduce las cotas de aproximación para todo el rango mediante la teoría de interpolación.
De hecho, esta herramienta es un método clásico en el análisis armónico y la teoría de operadores, pero no era la técnica más utilizada por los investigadores en ciencias de la computación teórica en ese momento.
Los revisores de NeurIPS de ese año también se dieron cuenta de esto.
Los revisores finalmente reconocieron que la principal innovación técnica de este artículo fue introducir el teorema de Riesz–Thorin en el campo de la informática. La Meta Review final lo calificó como un artículo con un argumento bastante sólido.
Visto hoy, este artículo también proporciona un caso muy típico de interdisciplinariedad; los problemas difíciles del aprendizaje automático quizás puedan encontrar una solución en las matemáticas puras.
NeurIPS 2026: publicación de resultados inminente
Retrocediendo en el tiempo hasta ahora, el mecanismo de revisión de NeurIPS está experimentando un ajuste significativo.
NeurIPS 2026 requiere que los autores, al enviar sus contribuciones, seleccionen uno de los cinco tipos de contribución que mejor se ajuste al posicionamiento del artículo: General, Theory, Use-Inspired, Concept & Feasibility, y Negative Results.
Sin duda, este artículo de 2019 de Wang Hong pertenece al tipo Theory.
Según las nuevas pautas de revisión de NeurIPS 2026, los artículos teóricos se evalúan primero por su rigor y corrección matemática. Las demostraciones, lemas y lógica general deben ser sólidas, por lo que los artículos teóricos no deben ser ignorados por la falta de experimentación.
Al mismo tiempo, NeurIPS 2026 deja claro que las contribuciones teóricas pueden ser independientes, y el propósito de diseñar nuevos algoritmos no es necesariamente superar al estado del arte (SOTA) en los modelos aplicados más recientes o en los conjuntos de datos más grandes.
En cuanto a la originalidad, también se puede introducir nuevas herramientas de demostración desde otras disciplinas o realizar una síntesis innovadora de herramientas existentes.
Y esto describe casi con precisión el artículo de Wang Hong.
Ellos no propusieron una arquitectura de red neuronal en el sentido actual, ni entrenaron un modelo con un gran número de parámetros. En cambio, introdujeron el teorema de interpolación del análisis armónico en la aproximación de bajo rango para resolver el problema de los límites de los algoritmos de aproximación.
En el marco de revisión de 2026, sigue siendo un artículo teórico muy estándar para NeurIPS.
También demuestra de manera inversa que NeurIPS no equivale a una presentación de lanzamiento de modelos de redes neuronales. Proporcionar una nueva comprensión de los métodos existentes, descubrir nuevas propiedades y establecer límites teóricos más ajustados también constituye una contribución original valiosa.
En cuanto a la frontera entre las matemáticas y la IA, nunca ha sido tan clara como uno podría imaginar.
Una ganadora de la Medalla Fields puede publicar en NeurIPS, y el lenguaje matemático también puede ayudar a la IA a encontrar su verdadera solución general.
Enlaces de referencia:
[1]https://proceedings.neurips.cc/paper_files/paper/2019/file/80a8155eb153025ea1d513d0b2c4b675-Paper.pdf
[2]https://neurips.cc/Conferences/2026/ReviewerGuidelines
[3]https://sites.google.com/view/hongwang/home
[4]http://xhslink.cn/o/8oQ3gm7qaxu
Este artículo procede del cuenta oficial "Qubit", autor: Lu Yu
