知识卡片：随机函数的 Lipschitz 强大数定律
一句话结论
本文证明了局部 Lipschitz 函数在 Lipschitz 伪度量下的强大数定律，并识别出一类函数集，使得此前发现的“失败现象”不再出现。
事件概述
作者 Lai Tian 与 Johannes O. Royset 在 arXiv 预印本 (2607.20411v1) 中，针对随机函数序列，建立了基于 Lipschitz 伪度量的强大数定律。该工作提供了两种充分条件（拓扑条件与模型论条件），后者覆盖 o-minimal 结构中的联合可定义函数并超越该类。作为应用，作者证明了极限次微分与 Clarke 次微分的均匀收敛性以及解的有限样本识别，从而明确了之前负面结果 [Tian and Royset, arXiv:2511.16568, 2025] 不会发生的宽泛函数类。
方法/产品要点
- 主要工具：Lipschitz 伪度量下的局部 Lipschitz 函数序列，而非传统的范数或度量。
- 两种充分条件：
- 拓扑条件（待核实具体表述）。
- 模型论条件：函数族在 o-minimal 结构中联合可定义（但结论的适用范围远大于此类结构）。
- 证明技术：结合实分析、非光滑分析与模型论中的可定义性。
主要结果或产业意义
- 强大数定律：随机局部 Lipschitz 函数在 Lipschitz 伪度量下几乎必然收敛。
- 应用成果：
- 极限次微分与 Clarke 次微分的均匀一致收敛性；
- 解的有限样本识别（即有限样本下即可保证解的唯一性或稳定性）。
- 理论意义：明确了此前负面结果不成立的函数类别，为非光滑随机优化、随机变分不等式等提供了新的收敛保证。
为什么重要
- 拓展了传统大数定律的适用范围，从可微或凸函数扩展到局部 Lipschitz 函数族。
- 利用模型论（o-minimal 结构）为涉及非光滑函数的学习和优化问题提供统一框架。
- 直接回应了文献中关于“随机次微分不收敛”的负面结论，给出了正向的充分条件。
局限与不确定性
- 模型论条件的具体实现（如 o-minimal 结构的具体例子）未在摘要中展开，需查阅全文。
- 拓扑条件与模型论条件之间的包含关系、适用性的实际判别方法尚待说明。
- 有限样本识别中的样本量下界或错误概率未在摘要中给出。
可用于图书/PPT/简报的角度
- 非光滑随机优化的理论前沿：为何次微分“大数定律”需要新的数学工具。
- 模型论在机器学习理论中的意外应用：o-minimal 结构如何帮助处理 Lipschitz 函数。
- 对比传统 SLLN 与本文的 Lipschitz 伪度量 SLLN，突出不同收敛拓扑的适应性。
与既有脉络的关系
本条知识卡片独立于已有卡片（PAW、SOAP/优化器、大模型安全监测），未重复其事实；若未来有关于“随机次微分收敛的负面结果”的卡片，本文可作为其正向补充。
原始材料
- 英文标题：Lipschitzian SLLNs for random functions
- 英文关键词：strong laws of large numbers, locally Lipschitz functions, Lipschitz pseudometric, o-minimal structures, Clarke subdifferentials, uniform convergence, finite-sample identification
- 来源：Tian, L. & Royset, J. O. (2026). Lipschitzian SLLNs for random functions. arXiv:2607.20411v1. https://arxiv.org/abs/2607.20411v1