误差如何被数学控制住：范数与 Banach 空间 | 泛函分析第五讲|banach|代数|泛函分析|算子|算法|范数

导语

集智学园联合东京都市大学贾伊阳老师共同开设了「」课程，本系列课程将以严谨的理论推导为核心，逐步建立泛函分析的基础架构。第一阶段将探讨从有限维跨越到无限维的动机与基础；第二阶段将重点建立度量与完备性，掌握 Banach 空间与不动点定理的精髓；第三阶段将深入探讨 Hilbert 空间的几何结构与对偶空间的映射体系。最终，在第四阶段，将梳理完整的结构总览与应用地图，透视这些纯粹的数学工具如何作为底层基石，广泛应用于现代物理、复杂系统模拟与前沿计算科学中。

作为系列课程的第五讲，贾伊阳老师将以「范数与 Banach 空间」为主题，这一节中范数是“选择关心哪种误差”的语言，而Banach 空间的完备性，保证这种选择在极限处仍然成立，本节课程将聚焦误差控制与算子稳定性场景，系统阐述范数的定义及常见的ℓᵖ与C[a,b]空间。课程将深入解析Banach空间的完备赋范属性，体会其作为“确保解存在性的核心数学舞台”的意义。正式分享将于5月10日（周日）19:00-20:30进行。

主题：函数空间作为向量空间

课程简介

神经网络的谱范数归一化为何能稳定 GAN 的训练？最大均值差异（MMD）如何把两个概率分布的比较转化为一个函数空间的范数计算？这些机器学习的技术细节，根植于同一套数学结构：范数与 Banach 空间。

本系列课程第五讲，以“误差为什么重要”为起点建立范数直觉：不同范数衡量不同类型的误差，算子稳定性取决于误差能否被控制在可接受范围内。在此基础上引入 Banach 空间的完备性，解释为何理论上许多算法必须在完备空间中才有意义。

课程内容直接锚定一线研究文献。Gretton 等人（JMLR 2012）用 RKHS 范数实现两样本检验；Bartlett 等人（NeurIPS 2017）用谱范数建立神经网络的泛化界。课程逐步拆解这两篇论文背后的数学机制，并延伸至 Path norm、Wasserstein 距离、Sobolev 范数等当代学习理论的核心工具。理论补充部分讨论算子范数的代数性质、有界线性算子的连续性、组合算子的误差传播，以及 Ban 作为 enriched category 的结构视角。

学完本讲，你能够准确理解不同范数选择背后的误差几何，读懂涉及谱范数和 RKHS 范数的机器学习论文，并在完备性假设的背景下评价算法的稳定性保证。

课程大纲

1. 为什么很多算法在理论上需要完备性？

a. 目标：理解三个问题：

如何用范数度量误差？
算子为什么可能放大误差？
Banach 空间为什么是讨论稳定性的基本空间？

2. 场景驱动：误差为什么重要

3. 论文1：概率密度作为范数

a. Gretton et al. (2012), A Kernel Two-Sample Test, JMLR.

4. 论文2：谱范数（算子范数）控制算子稳定性与复杂度

a. Bartlett, Foster, Telgarsky, “Spectrally-normalized margin bounds for neural networks”, NeurIPS 2017

5. 其他相关文献

6. 关于Banach空间的补充

关键术语

Banach 空间：完备的赋范线性空间；Cauchy 序列的极限必须仍在空间内，许多收敛性定理以此为前提。
算子范数（谱范数）：线性算子将单位球映射出的最大拉伸倍数，衡量算子对输入误差的放大程度。
RKHS（再生核 Hilbert 空间）：由核函数定义的函数空间，每个点处的函数值可通过核的内积表示。
最大均值差异（MMD）：用 RKHS 范数定义的概率分布距离，可直接由样本估计，无需密度估计。
谱归一化（Spectral Normalization）：将权重矩阵除以其谱范数，将网络的 Lipschitz 常数控制在 1 以内。
有界线性算子：满足 ‖Ax‖ ≤ C‖x‖ 的线性映射，有界与连续在赋范空间中等价。
Path norm：ReLU 网络中沿激活路径积的范数，对参数的重缩放变换不变，更准确刻画网络复杂度。
Wasserstein 距离：基于最优传输的概率分布距离，在生成模型（WGAN）理论分析中广泛使用。
Sobolev 范数：同时控制函数值与各阶导数大小的范数，用于度量函数的光滑性与对扰动的稳定性。
Enriched category（丰化范畴）：Ban 的代数结构视角；态射集本身构成 Banach 空间，保留线性与度量信息。

课程信息

课程主题：范数与 Banach 空间

课程时间：2026年5月10日（周日） 19:00-20:30

课程形式：腾讯会议（会议信息见群内通知）；集智学园网站录播（3个工作日内上线）

课程主讲人

贾伊阳，东京都市大学讲师、前日本女子大学助理教授，前日本成蹊大学助理教授。研究重点是计算复杂性，算法，以及范畴相关理论。集智学园《》课程讲师。

课程适用对象

做微分方程、数值算法、反问题、信号处理、控制的学习者与研究者
做优化、机器学习、统计推断，希望理解正则化与泛化的结构来源的研究者
读量子/数学物理文献，希望把 Hilbert 空间与算子语言用顺手的研究者
更广义地：经常处理“函数作为未知量”的问题、并且想要一套可迁移框架的研究者

你会获得

面对一个新问题，你能先问对问题：该在哪个空间里解？该用哪个范数衡量误差？需要什么完备性？算子是否有界？
你能理解常见方法背后的统一逻辑：迭代为何收敛、正则化为何稳定、最小二乘为何等价于投影、弱解为何成立。
你会获得一套“抽象但可落地”的语言：写证明、读论文、做建模时，能把碎片化技巧收束到结构层面。

报名须知

课程形式：腾讯会议直播，集智学园网站录播。本系列课程不安排免费直播。
课程周期：2026年3月29日-2026年6月14日，每周日晚19点-21点进行。
课程定价：原价499
1. 早早鸟价299，截止时间：2026年3月22日中午12点
2. 早鸟价399，截止时间：2026年3月30日中午12点

课程链接：https://campus.swarma.org/v3/course/5700?from=wechat

付费流程：