Vassilevska

general · First seen 2026-10-08 · Last seen 2026-11-19 · 7 mentions

Overview

Vassilevska 通常指 Virginia Vassilevska Williams,斯坦福大学计算机科学教授,是理论计算机科学中细粒度复杂度(fine-grained complexity)领域的代表性学者,长期围绕矩阵乘法、APSP、3SUM 与 k-SUM 等核心计算问题研究算法上界与下界。近期以她为核心或相关团队的 arXiv 论文密集出现,使 Vassilevska 相关研究再度成为算法界关注焦点。

Vassilevska 相关研究的近期进展

  • 一篇 arXiv 论文将 OpenAI 对矩阵乘法的分析推广到矩形乘积的情形,证明了组合指数 α≥1/2 的结果(arXiv 论文将 OpenAI 矩阵乘法分析推广到矩形乘积,证明 α≥1/2)。矩形矩阵乘法指数直接关系到一系列图算法和数据结构问题的复杂度上界,这一进展被视为对经典划分方法的延续与修正。
  • 在 3SUM 方向,题为《3SUM Made Simpler (Without Matrix Multiplication), $k$-SUM Hypothesis Refuted for Odd $k$, and Real 3SUM/APSP Derandomized》的论文同时给出多项推进:简化了 3SUM 算法且不依赖矩阵乘法,并指出对奇数 k 的 k-SUM 猜想不成立(arXiv 链接)。k-SUM 猜想是细粒度复杂度中多个条件下界的基石,其松动可能引发连锁性的下界重估。
  • 围绕 subexponential 3-SAT 算法的另一篇论文降低了此前算法的交叉点参数,使指数时间与亚指数时间算法的分界更为清晰(Lowered crossover points of Anthropic's subexponential 3-SAT algorithm)。
  • APSP(全源最短路径)方向出现了结构更简单的 (min, +) 矩阵乘法新算法,并改进了对应的 APSP 求解(Simple, Faster (min, +) Matrix Multiplication and APSP)。
  • 当前焦点与观察点

    Vassilevska 所在的细粒度复杂度社区目前的核心张力在于:若干长期被当作"合理难度假设"的猜想(如奇数 k 的 k-SUM 猜想)在近期工作中被证伪,而矩形矩阵乘法指数等基础参数又在新分析下被推高。这意味着大量基于旧猜想的条件性下界需要重新审视。值得注意的是,本轮论文与 OpenAI、Anthropic 等机构的 arXiv 账号关联,也引发了关于大型 AI 实验室是否在系统性投入基础算法理论的讨论。

    观察点集中在三个方面:其一,α≥1/2 的矩形乘法结果能否被进一步推进至更高指数;其二,k-SUM 猜想的修正版本将以何种形式稳定下来,并支撑哪些新下界;其三,(min, +) 乘法与 APSP 的更简洁算法是否会带来可实际部署的改进。总体看,Vassilevska 相关方向正处于假设松动与新工具涌现并行的活跃期。

    Coverage

    6 on file