홈
AI AI
속보
심층
이벤트
Pro
더보기
자금 조달 정보
특집
온체인 생태계
용어
팟캐스트
데이터
OPRR
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
XRP
$2.25
2.07%
DOGE
$0.325
2.23%
USDC
$0.999
3.05%
Partnered With:

새로운 필즈상 수상자 왕홍, AI 분야에도 발을 들였나?

이 글을 읽으려면 6 분
순수 수학 분야의 최고 수학자가 왜 AI 최고 학회에 논문을 발표할까요?
원문 제목: 《필즈상 수상자 왕홍, NeurIPS에도 논문을 냈다》
원문 출처: 양자위


음? 새로 필즈상을 수상한 왕홍이 AI 분야에도 도전했다고?



NeurIPS 2026 결과 발표를 앞두고, 한 네티즌이 왕홍 교수가 NeurIPS 2019에 논문을 낸 사실을 발견했다.


게다가 단순히 이름만 올린 것이 아니라, 실질적인 공동 제1저자였다.



그렇다면 문제는, 순수 수학 분야의 최고 수학자가 왜 AI 최고 학회에 논문을 발표했을까?


전체를 읽어본 결과, 우리의 결론은 이것이 수학 이론 + 머신러닝의 최고 사례라는 것이다.


흥미로운 점은, 왕홍의 개인 홈페이지에 게재된 40여 편의 논문과 프리프린트 중 거의 모든 항목에 전체 링크가 첨부되어 있다는 것이다.


유독 이 논문만 예외였다.



왕홍, AI에 도전하다


이 논문이 연구한 것은 머신러닝과 데이터 분석의 기본 작업 중 하나인 저랭크 행렬 근사이다.


간단히 말해, 현실의 데이터는 일반적으로 행렬로 정리할 수 있지만, 이러한 행렬은 종종 매우 커서 직접 저장하고 처리하는 데 비용이 많이 든다.


저랭크 근사는 구조가 더 간단하고 랭크가 더 낮은 행렬을 사용하여 원래 행렬을 최대한 정확하게 복원하는 것이다.


최근 자주 사용되는 근사 알고리즘은 열 부분집합 선택(Column Subset Selection, CSS)이다.



그 아이디어는 사실 매우 직관적이다.


많은 열을 포함하는 데이터 행렬을 다룰 때, 완전히 새로운 저랭크 행렬을 직접 도출하는 대신, 원래 행렬에서 대표성이 있는 여러 열을 선택하고, 이들이 생성하는 공간을 사용하여 전체 행렬을 근사한다.


CSS로 선택된 열은 원본 데이터에서 직접 가져오기 때문에, 일반적인 행렬 분해로 얻은 추상적인 벡터보다 해석하기 쉽고, 저장 및 계산 비용을 줄여 대규모 데이터 처리에 적합하다.


이전 연구에 따르면, 일반적인 저차 근사에서 CSS 알고리즘의 근사비 상한은 대략 O(k+1)입니다.


여기서 k는 목표 행렬의 계수를 의미하며, k가 클수록 이론적으로 허용되는 최악의 오차도 커집니다.



왕홍 등의 연구는 이 상한을 더욱 개선했습니다:


· 1≤p≤2일 때, 근사비는 (k+1)^(1/p)입니다.


· p≥2일 때, 근사비는 (k+1)^(1−1/p)입니다.


기존의 통일된 O(k+1) 결과와 비교했을 때, 이 상한은 훨씬 더 정밀하며, 알고리즘을 엄격하게 제한할 수 있고, 최악의 결과도 최적해와 약간만 차이가 납니다.


또한, p≥2인 경우에 대해 논문은 해당 하한을 구성하여 결과가 상수 1까지 정확함을 증명했습니다.


다시 말해, 이 논문은 거의 완벽에 가까운 이론적 답을 제시합니다.


그리고 이 논문에서 가장 핵심적이면서 왕홍의 수학적 배경을 가장 잘 드러내는 부분은, 조화 분석의 고전적 도구인 Riesz–Thorin 보간 정리를 사용한 점입니다.


일반적으로, 모든 p 값에서 알고리즘이 성립함을 증명하려면 각각의 p에 대해 복잡한 분석을 별도로 수행해야 합니다.


일부 끝점의 경우, 예를 들어 p=1, p=2, p=∞는 상대적으로 다루기 쉽습니다.


그런 다음 Riesz–Thorin 보간 정리를 사용하면 이러한 끝점 결과를 파악한 후, 결론을 중간의 모든 p 값으로 "보간"할 수 있습니다.


구체적으로, 논문은 먼저 p=1, 2, ∞의 세 가지 특수한 경우를 증명한 후, 보간 이론을 통해 전체 범위의 근사 상한을 도출합니다.


사실, 이 도구는 조화 분석과 연산자 이론에서 고전적인 방법이지만, 당시 이론 컴퓨터 과학 연구자들이 가장 자주 사용하는 기술은 아니었습니다.


NeurIPS의 당시 심사위원들도 이 점을 주목했습니다.


심사위원들은 최종적으로 이 논문의 가장 주요한 기술적 혁신이 컴퓨터 분야에 Riesz–Thorin 정리를 도입한 것이라고 인정했으며, 최종 메타 리뷰에서는 이를 상당히 견고한 논문으로 평가했습니다.


오늘날 기준으로 보면, 이 논문은 매우 전형적인 학제 간 사례를 제공합니다. 머신러닝의 난제가 순수 수학에서 돌파구를 찾을 수 있다는 점을 보여줍니다.


NeurIPS 2026, 점수 공개 임박


시간을 다시 현재로 돌려보면, NeurIPS의 심사 시스템이 뚜렷한 변화를 겪고 있습니다.



NeurIPS 2026은 저자들이 논문을 제출할 때 다섯 가지 기여 유형(General, Theory, Use-Inspired, Concept & Feasibility, Negative Results) 중에서 논문의 성격에 가장 부합하는 하나를 선택하도록 요구합니다.


의심할 여지 없이, 왕홍의 2019년 논문은 이 중 Theory 유형에 속합니다.


NeurIPS 2026 최신 심사 지침에 따르면, 이론 논문은 먼저 수학적 엄밀성과 정확성을 평가합니다. 증명, 보조 정리, 전체 논리가 성립해야 하므로, 이론 논문은 실험 부족으로 인해 무시될 필요가 없습니다.


동시에 NeurIPS 2026은 이론적 기여가 독립적으로 성립할 수 있으며, 새로운 알고리즘을 설계하는 목적이 반드시 최신 응용 모델이나 최대 데이터셋에서의 SOTA를 능가하는 것이 아니라고 명확히 밝힙니다.



독창성 측면에서도 다른 학문 분야에서 새로운 증명 도구를 도입하거나 기존 도구를 혁신적으로 종합할 수 있습니다.


그리고 이것은 거의 왕홍의 논문을 정확히 설명하는 내용입니다.


그들은 오늘날 의미의 신경망 아키텍처를 제안하지 않았고, 방대한 파라미터를 가진 모델을 훈련하지도 않았습니다. 대신 조화 해석학의 보간 정리를 저차 근사에 도입하여 근사 알고리즘의 경계 문제를 해결했습니다.


2026년의 심사 프레임워크에 놓아도, 이는 여전히 매우 표준적인 NeurIPS 이론 논문입니다.


이는 또한 NeurIPS가 신경망 모델 발표회와 같지 않다는 점을 역설적으로 보여줍니다. 기존 방법에 대한 새로운 이해를 제공하고, 새로운 속성을 발견하며, 더 엄격한 이론적 경계를 설정하는 것도 가치 있는 독창적 기여에 해당합니다.


수학과 AI 사이의 경계도 결코 생각만큼 명확하지 않습니다.


필즈상 수상자가 NeurIPS에 논문을 발표할 수 있다면, 수학 언어도 AI가 진정한 일반해를 찾도록 도울 수 있습니다.


참고 링크:
[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


원문 링크


BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹:https://t.me/theblockbeats

Telegram 토론 그룹:https://t.me/BlockBeats_App

Twitter 공식 계정:https://twitter.com/BlockBeatsAsia

举报 오류 신고/제보
문고 선택
새 문고 추가
취소
완료
새 문고 추가
자신만 보기
공개
저장
오류 신고/제보
제출