卷积层滤波器的新几何参数化：Grassmann-Plücker映射被证明是闭嵌入，无冗余且参数空间光滑
arXiv论文提出用Grassmann流形上的固定维子空间参数化单层卷积滤波器，证明了诱导射影映射是闭嵌入，从而参数化有限、双有理、每纤维为单点，且射影神经簇光滑。
AI解读：卷积层的滤波器通常被当作一组有序向量来训练，但这项研究提出另一种看法：把滤波器看成一个固定维数的子空间，参数化空间变成Grassmann流形。作者证明了这种参数化是闭嵌入，意味着不同子空间对应不同卷积算子，没有任何冗余；参数空间与它的射影像同构，而且有限、双有理到像、每个纤维是单点，射影神经簇光滑。对普通读者，这更多是理论层面的进展——为后续设计参数更少或更稳定的卷积网络提供了数学基础，但论文并未声称在具体任务上提升精度，实际效果还需数值验证。真正相关的是研究几何深度学习或代数几何的学者，他们可以用这些结果指导新架构或理解滤波器冗余；实际选型时不需任何行动。
一篇arXiv论文提出一种新的单层卷积滤波器几何参数化方法：不再用有序滤波器向量，而是用滤波器空间中的固定维子空间作为参数。作者Hongyu Yuan和Huaiqing Zuo证明了该参数化导向的射影映射是闭嵌入，从而参数空间与其射影像同构，参数化有限且双有理到像，每个纤维为单点，得到的射影神经簇是光滑的。论文提交于 2026 年 9 月 3 日。
几何构造与主要结果
在一维有限步长卷积中，滤波器到卷积算子的对应给出一个单射线性映射C: K→H，把Gr(q, K) 中的滤波器子空间送到Gr(q, H) 中的算子子空间；与Plücker嵌入复合后得到射影参数化 Φ: Gr(q, K)→P(∧qH)。作者利用切空间同构TU Gr(q, K)≅Hom(U, K/U) 计算诱导格拉斯曼映射的微分，证明 Φ 的微分在每个点处都是单射。
论文进一步用Plücker坐标的消没方程及格拉斯曼流形上的标准仿射坐标，证明Gr(q, C(K)) 嵌入Gr(q, H) 是闭嵌入，因此 Φ 是闭嵌入。由此推出参数空间与射影像同构，参数化是有限的且双有理到像；每个纤维是单点，表示不同子空间对应不同卷积算子，不存在冗余；所得射影神经簇光滑。
- 注：文中使用符号Gr(q, ·) 表示格拉斯曼流形，∧q表示外积空间。
计算示例与其他讨论
作为说明，论文用符号计算软件Singular处理k=4、q=2 的情形，恢复像理想并检查其维数、次数、图秩和光滑性。作者写明该计算用于展示一般证明，而非替代证明。
论文最后讨论了与滤波器冗余和低秩卷积的可能联系，但明确区分已证的几何结果与需要数值验证的应用建议。全文 24 页，含一个Singular符号计算示例，归类于代数几何（math.AG）和机器学习（cs.LG），主要MSC分类为 14M15。
- 论文提交历史显示为v1，日期为 2026 年 9 月 3 日，预印本DOI待DataCite注册。