新晋菲尔兹奖得主王虹在个人主页的近 40 篇论文中，唯独一篇没有挂链接——正是她 2019 年以共同一作身份发表于 NeurIPS 的跨界论文。这篇被网友"考古"出的工作，把机器学习中的低秩近似近似比上界，从统一的 O(k+1) 推进到了精确到常数 1 的紧界。
王虹的个人主页列出了将近 40 篇论文与预印本，几乎每篇都附有完整链接。唯独这篇 NeurIPS 2019 论文，是个例外——没有链接，没有特别标注，安静地夹在列表里。
这不是挂名。王虹是这篇论文的共同一作，研究的是机器学习与数据分析中的基础任务：低秩矩阵近似。
现实数据整理成矩阵后往往极大，直接存储和处理成本高昂。需要用结构更简单、秩更低的矩阵尽可能准确还原原始矩阵。
不求新矩阵，而是从原矩阵中挑出"有代表性的若干列"，用它们张成的空间近似整个矩阵。选出的列直接来自原始数据，比抽象向量更易解释。
此前研究证明，对于一般的低秩近似，CSS 算法的近似比上界大约是 O(k+1)，其中 k 是目标矩阵的秩——k 越大，理论上允许的最坏误差就越大。王虹等人的工作，把这个界进一步推进：
相较此前统一的 O(k+1) 结果，这一界明显更紧——算法的最坏结果被严格限制，只会比最优解差一点点。对于 p≥2 的情况，论文还构造了对应的下界，证明结果精确到常数 1，等于给出了近乎封顶的理论答案。
这篇论文中最关键、也最能体现王虹数学背景的部分，是他们使用了来自调和分析的经典工具——Riesz–Thorin 插值定理。
通常情况下，想证明一套算法在所有 p 值下都成立，需要针对不同的 p 分别展开复杂分析。对于某些端点情况（例如 p=1、2、∞），则相对容易处理。Riesz–Thorin 插值定理的作用，就是在掌握这些端点结果后，把结论"插值"到中间的所有 p 值。
这套工具在调和分析和算子理论中属于经典方法，却并不是当时理论计算机科学研究者最常使用的技术。NeurIPS 当年的审稿人也注意到了这一点——最终认可这篇论文的最主要技术创新，正是往计算机领域引入 Riesz–Thorin 定理。
NeurIPS 2026 出分在即，审稿机制正在发生一次明显调整。新指南要求作者在投稿时从五种贡献类型中选择最符合论文定位的一类：General、Theory、Use-Inspired、Concept & Feasibility 以及 Negative Results。
王虹这篇 2019 年的论文，毫无疑问属于其中的 Theory 类型。而按照 NeurIPS 2026 最新审稿指南，理论论文的考察逻辑恰好与这篇论文的特征高度吻合：
不必因为缺少实验而受忽视；设计新算法的目的不一定是击败最新应用模型或最大数据集上的 SOTA。
独立成立；从其他学科引入新的证明工具，或对既有工具进行创新性综合——这几乎就是王虹论文的精准描述。
放到 2026 年的评审框架中，它依然是一篇非常标准的 NeurIPS 理论论文。它也反向说明：NeurIPS 并不等于神经网络模型发布会——对已有方法给出新的理解、发现新的性质、建立更紧的理论界限，同样属于有价值的原创贡献。
这篇报道的"考古"线索来自网友与媒体对王虹主页的梳理，论文本身是公开可查的 NeurIPS 2019 正式录用论文，非预印本或未经评审的工作。但"主页唯一未挂链接"这一细节的解读，目前只见单方叙述，未见王虹本人或合作者公开说明原因，读者不必过度附会"刻意低调"之类的动机猜测。
从内容本身看，这篇论文的真正价值不在"菲尔兹奖得主跨界"这个标签，而在于它示范了一条具体的路径：当一个机器学习理论问题的工具箱见底时，去纯数学的相邻学科里借一把锤子，往往能把紧界再推一步。
论文全文与 NeurIPS 2026 审稿指南均为公开文件，可自行查阅判断。
论文 PDF → NeurIPS 2019