这篇算是最近整理资料的汇总，按”已经解决好的” → “还剩哪些难题” → “每个难题上有什么新进展”来组织。
这是 scRNA-seq 过去 5 年最成功的故事。不同实验室、不同平台（10x vs SMART-seq vs Drop-seq）的数据整合，从当年每篇 paper 都要自己摸索，变成了开箱即用的标准工具链。
| 方法 | 年份 | 核心思路 |
|---|---|---|
| Harmony | 2019 | 软聚类 + 迭代校正，快且稳 |
| scVI | 2018 | 变分自编码器 + ZINB 分布建模 |
| scANVI | 2021 | 半监督版，批校正 + 注释联合 |
| Seurat v5 | 2023 | WNN 加权最近邻，整合多模态 + 批次 |
有标准 benchmark 平台（scIB / Luecken et al. 2022 的系统评估）兜底，新方法能在统一框架下公平对比。极端情况（批次与生物学完全混杂时）仍然困难，但日常场景的效果已经足够可靠。
以前注释一个细胞类型靠的是：看 marker gene 热图 + 翻文献 + 拍脑袋。现在：
常见组织（血液、免疫、脑、肿瘤）的注释准确率 > 90%。新类型发现（OOD detection）仍然是一个课题，但已知类型的自动注释已经从”研究方向”变成了”工具使用”。
这个问题的”解决”过程很有趣——不是方法本身变好了，而是社区对问题的理解成熟了。
空间转录组学（Visium, Slide-seq, MERFISH）拿到的是”每个 spot 混合了几种细胞”的信号，要从其中反推细胞类型构成。这个子问题已经接近解决：
多种方法在 benchmark 中结果高度相关，新方法很难再明显超越——说明这个子问题接近饱和。
几年前，”数据在哪？格式怎么统一？”是真实的障碍，现在基础设施问题已经基本解决。
问题：空间转录组学技术（MERFISH, Xenium, Visium HD）能以亚细胞分辨率测量基因表达，但怎么把转录本正确分配到单个细胞这一步极其困难。分子信号稀疏、组织形态各异、细胞边界模糊——一个分割错误，下游分析全部污染。
2026 年专门有一篇综述就叫 “The Challenge of Cell Segmentation in Spatially Resolved Transcriptomics”，说明这已经被社区确认为一个独立的瓶颈问题。
同时测量 RNA + 蛋白（CITE-seq）、RNA + 染色质可及性（sc multi-omics）、RNA + 空间位置的技术越来越流行，但数学上：
现有的整合方法大多是工程化的（WNN, MOFA+, totalVI），缺一个统一的理论框架。
从 scRNA 数据推断哪些细胞在通过配体-受体（LR）对”对话”是热门方向，但：
公认最难的子问题。从单细胞数据反推转录因子调控哪些靶基因，复杂度极高、假阳性严重。大模型在这上面也没能带来预想中的突破。
从静态 snapshot 数据推断动态过程（分化、疾病进展）是 scRNA 的核心卖点，但：
| 工作 | 年份 | 创新点 |
|---|---|---|
| SEFI (arXiv:2502.13974) | 2025 | 免分割整合（Segmentation-Free Integration）。用自监督学习从荧光核染色图像提取形态特征，直接聚类基因表达，跳过分割步骤 |
| SpCAST (arXiv:2605.26904) | 2026 | KAN（Kolmogorov-Arnold Network）框架。从 scRNA 参考向空间数据做标签转移，专门处理成像平台 panel 有限 + 测序平台 dropout 的双重问题 |
| Signed graph partitioning (arXiv:2312.04181) | 2023 | 用符号图划分做原位转录组细胞分割 |
方向判断：“免分割 + 多模态融合” 是当前的主流策略。分割仍然是瓶颈，但 SEFI 这样的思路证明不一定非要先分割才能做下游分析。
CellxPert (arXiv:2605.00930, 2026) 🔥 是目前最全面的多模态 foundation model：
配套的综述：Computational Methods for Single-Cell Multi-Omics Integration and Alignment (arXiv:2201.06725) 系统梳理了 machine translation 思路下的各方法。
但我认为这里缺的仍然是理论框架——OT 或 Bregman 流形对齐的思路如果能在这个场景落地，刚好补上这块空白。
但根本问题没变：LR 数据库仍然不完整，且没有可靠的金标准来做验证。
Towards Universal GRN Inference (arXiv:2605.08128, 2026) 做了一个重要的 benchmark：
scRNA foundation models 的预训练目标（重建基因表达）并不自动提升 GRN 推断能力，表现仍然 far from satisfactory。
原因是重建损失不关注调控信号——模型学会了预测表达水平，但没有学会”谁调控了谁”。需要专门为调控信号设计的训练目标。
另一篇综述 Modeling Dynamics, Cell Type Specificity, and Perturbations in GRNs (arXiv:2602.18854, 2026) 提出需要考虑细胞类型特异性和 perturbation 数据。
这个子方向在 2025–2026 年非常活跃，而且跟最优传输 / 流匹配直接相关：
| 工作 | 思路 |
|---|---|
| RAFT-UP (arXiv:2603.18249) | 空间扭曲的显式可控对齐，在刚体 ↔ 弹性形变之间灵活权衡 |
| INST-Align (arXiv:2604.12084) | 隐式神经表示 + 共享规范表达场，耦合对齐和批次效应校正 |
| Spatial ST Super-resolution via Flow Matching (arXiv:2602.10644) | 流匹配做空间转录组超分辨率 |
值得注意的是，这三个工作的共同点是不再把对齐和整合分开做——stVCR 系列（李铁军组）的 WFR 度量也是这个思路，用非平衡 OT 同时处理位移和质量变化。
2025–2026 年涌现了大量 scRNA foundation model：
| 模型 | 亮点 |
|---|---|
| GeneMamba | sub-quadratic 注意力，解决 transformer 的 O(n²) 瓶颈 |
| CellxPert (arXiv:2605.00930) | 多模态 + in-silico 扰动 |
| Sigmoid Attention (arXiv:2604.27124) | 替换 softmax → cell-type separation 提升 25%，训练更快 |
| Prototype Guided Post-pretraining (arXiv:2605.07938) | 预训练后加原型引导微调 |
| scHyena | 专门面向全长 scRNA-seq |
但是必须提一篇重要的反方论文：
“Parameter-free representations outperform single-cell foundation models on downstream benchmarks” — 发现简单的无参数表示（PCA + log-normalize）在标准评测上反而超过精心训练的 foundation models。
这跟 CV/NLP 早期 foundation model 刚出现时的情形很像：到底进步来自模型架构，还是来自更干净的预处理？对这个领域来说，这个问题的答案还不确定。
问题 已解决程度 2025-26 热点方向
─────────────────────────────────────────────────────────────────────
Batch effect 校正 / 数据整合 ⬛⬛⬛⬛⬜ 已成熟 —
细胞类型自动注释 ⬛⬛⬛⬛⬜ 已成熟 foundation model 零样本
空间解卷积 ⬛⬛⬛⬛⬜ 已饱和 —
Dropout / 稀疏性处理 ⬛⬛⬛⬜⬜ 共识成熟 ZINB 概率建模
数据处理基础设施 / 标准化 ⬛⬛⬛⬛⬛ 建成 —
─────────────────────────────────────────────────────────────────────
空间转录组细胞分割 ⬛⬛⬜⬜⬜ 攻坚中 免分割 (SEFI) + KAN (SpCAST)
多模态整合（统一理论） ⬛⬛⬜⬜⬜ 缺框架 CellxPert 大模型 / OT 对齐?
CCC 推断（可靠性） ⬛⬛⬜⬜⬜ 数据瓶颈 CellPhoneDB v5 / 综述
轨迹推断（方向 / 分叉置信度） ⬛⬛⬛⬜⬜ 有共识不稳定 时序 scRNA + RNA velocity
GRN 推断 ⬛⬜⬜⬜⬜ 最难 FM 没解决，需专用目标
空间对齐 / 配准 ⬛⬛⬛⬜⬜ 活跃中 RAFT-UP / INST-Align / FM SR
─────────────────────────────────────────────────────────────────────
scRNA Foundation Models ⬛⬛⬜⬜⬜ 爆发但争议 GeneMamba / CellxPert / 反方论文
几个值得关注的交叉点：
WFR 是 Wasserstein 和 Fisher-Rao 的结合：
形式上，WFR 距离是以下动态度量的最小化：
\[\text{WFR}(\rho_0, \rho_1)^2 = \inf_{\rho_t, v_t, g_t} \int_0^1 \int \big( \|v_t\|^2 + \frac{g_t^2}{4} \big) \, d\rho_t \, dt\]约束：$\partial_t \rho_t + \nabla \cdot (\rho_t v_t) = \rho_t g_t$，其中 $v_t$ 是速度场（位移），$g_t$ 是增长率函数（质量变化）。
这个公式看着抽象，但物理意义很直观：不光是粒子在动，粒子的数量也可以变。 在单细胞数据里，细胞在分化（位移）的同时也在增殖/凋亡（质量变化），所以 WFR 天然适合。
全称：spatial Transcriptomics via Variational Co-alignment with Reference
解决的问题：空间转录组数据的配准——把多个空间切片对齐到同一个参考坐标系。
为什么需要 WFR：不同切片的细胞类型丰度不一样（比如切片 A 某个区域凋亡多，切片 B 同一区域增殖多），而且组织本身有弹性形变。纯 Wasserstein 假设质量守恒，不行；纯刚性配准，又处理不了形变。
方法框架：
输出：一个对齐后的空间图谱，多个切片的细胞类型分布可以联合分析。
贡献：第一次把 WFR 非平衡 OT 用到空间转录组配准，有效解决了传统方法在细胞丰度不均时失效的问题。
全称：Wasserstein-Fisher-Rao Flow Matching
解决的问题：从非平衡的快照数据（snapshot data）中重建连续动力学——比如从两个时间点的 scRNA-seq 数据推断细胞分化轨迹。
stVCR 的局限：stVCR 用的是传统 OT 求解器（Sinkhorn 型迭代），计算量随数据规模增长很快，而且需要反复求解瞬态 OT 问题。
WFR-FM 的思路：把 WFR 动态 OT 和 Flow Matching 结合起来。
Flow Matching 原本是生成模型领域的方法——给定起点分布和终点分布，学习一个向量场来”推着”粒子从起点走到终点。WFR-FM 把它扩展到非平衡场景：
核心结果：同时回归 $v_t$ 和 $g_t$，最小化 WFR-FM loss 等价于恢复 WFR 测地线。
优势： - 免仿真训练（simulation-free），不需要在推理时模拟整个轨迹 - 比传统 OT 求解器快几个数量级 - 可以估计时变增长场（time-varying growth field）
全称：Wasserstein-Fisher-Rao Mean Flow Matching
解决的问题：WFR-FM 虽然训练快，但推理时仍需要迭代求解 ODE 来生成轨迹。对于大规模应用（比如对数千种扰动条件做预测），这仍然太慢。
WFR-MFM 的创新：用平均流场（mean flow） 替代 ODE 仿真。
基本想法：对于任意时间区间 $[t_0, t_1]$，定义
然后一步推理：
\[\rho_{t_1}(x) \approx \text{Push}_{t_0 \to t_1} \rho_{t_0}\]其中 Push 操作是同时应用平均位移场和平均增长场，不需要分段求解 ODE。
效果：推理速度比 WFR-FM 再快一个数量级，同时保持预测精度。在数千种扰动条件的合成数据上做了验证。
stVCR（Nature Methods 2026.3）
├─ 应用场景：空间转录组配准
├─ 求解范式：传统 OT 求解器（Sinkhorn）
└─ WFR 度量 + 刚性对齐 + 生物先验
│
▼
WFR-FM（arXiv:2601.06810）
├─ 应用场景：scRNA 轨迹推断
├─ 求解范式：Flow Matching（免仿真训练）
└─ WFR 度量 + 向量场 + 增长场回归
│
▼
WFR-MFM（arXiv:2601.20606）
├─ 应用场景：大规模扰动预测
├─ 求解范式：Mean Flow（一步推理）
└─ WFR 度量 + 平均场 + 无 ODE 仿真
三篇共享同一个核心选择：WFR 度量来同时表达位移和质量变化。变化的是求解范式——从传统 OT 求解器到 Flow Matching 到一步推理，效率逐级提升。
这跟另一条主线（BGW/srGW 用 Bregman 替代平方损失）走的是完全不同的方向：BGW 在损失函数层面做文章，Li 组在求解器层面做文章。
| 人名 | 角色 |
|---|---|
| 李铁军（Tiejun Li） | 北大数学学院，组长，偏微分方程/随机算法/最优传输 |
| 周沛杰（Peijie Zhou） | 实际带队，scRNA 方向，通讯作者 |
| 彭强伟（Qiangwei Peng） | 一作（stVCR + WFR-FM），兼顾理论和算法实现 |
| 王子涵（Zihan Wang） | WFR-FM 合作 |
| 王新宇（Xinyu Wang） | WFR-MFM 一作 |
彭强伟是一作主力，三篇里有两篇是他写的。代码都开源了（GitHub 可找到）。
参考资料： - stVCR: Spatial transcriptomics alignment via unbalanced optimal transport — Nature Methods, 2026. DOI: 10.1038/s41592-026-02642-x - WFR-FM: WFR-FM: Simulation-Free Dynamic Unbalanced Optimal Transport — arXiv:2601.06810, 2026 - WFR-MFM: WFR-MFM: One-Step Inference for Dynamic Unbalanced Optimal Transport — arXiv:2601.20606, 2026
]]>降维的目标是用低维表示 $Z \in \mathbb{R}^{n \times d}$ 来近似高维数据 $X \in \mathbb{R}^{n \times D}$（$d \ll D$）的某种结构。不同的指标侧重不同的”结构”。
这类指标的核心思想：如果高维空间中两个点很近，低维中也应该很近；反之亦然。
度量低维空间中有多少”假邻居”——那些在低维中靠得很近但在高维中并不近的点。值越高越好。
\[\text{Trustworthiness}(k) = 1 - \frac{2}{nk(2n - 3k - 1)} \sum_{i=1}^n \sum_{j \in \mathcal{N}_i^k(Z)} \max(0, r(i,j) - k)\]其中 $\mathcal{N}_i^k(Z)$ 是点 $i$ 在低维空间的 $k$ 近邻，$r(i,j)$ 是点 $j$ 在高维空间中对点 $i$ 的秩。惩罚的是那些本不是近邻却被拉进低维邻域的点。
Trustworthiness 的对称版本——度量高维空间中近邻的点，在低维中是否还保持为近邻。惩罚的是那些高维中本是近邻但在低维中被推开的点。
\[\text{Continuity}(k) = 1 - \frac{2}{nk(2n - 3k - 1)} \sum_{i=1}^n \sum_{j \in \mathcal{N}_i^k(X)} \max(0, \hat{r}(i,j) - k)\]Trustworthiness + Continuity 是所有降维论文的标配，几乎成了标准。一般取不同的 $k$ 画曲线看整体表现。
不只看 binary 的”在/不在”近邻集里，而是衡量秩的偏差程度：
\[\text{MRRE}(k) = \frac{1}{n} \sum_{i=1}^n \frac{1}{k} \sum_{j \in \mathcal{N}_i^k(X)} \frac{|r_X(i,j) - r_Z(i,j)|}{\max(r_X(i,j), r_Z(i,j))}\]这里 $r_X(i,j)$ 是 $j$ 在 $X$ 中对 $i$ 的秩，$r_Z(i,j)$ 是 $j$ 在 $Z$ 中对 $i$ 的秩。值越小越好。
对每个点，看它的 $k$ 近邻中有多少个在高低维中保持一致的比例：
\[\text{NH}(k) = \frac{1}{n} \sum_{i=1}^n \frac{|\mathcal{N}_i^k(X) \cap \mathcal{N}_i^k(Z)|}{k}\]以 $k$ 为横轴、$\text{NH}(k)$ 为纵轴画曲线，曲线下的面积：
\[\text{AUC-NP} = \int_1^{n-1} \text{NH}(k) \, dk \approx \sum_{k=1}^{n-2} \frac{\text{NH}(k) + \text{NH}(k+1)}{2}\]具体算法： 1. 对每个 $k=1$ 到 $n-1$，计算 $\text{NH}(k)$ 2. 对相邻 $k$ 的 NH 值做梯形积分 3. 归一化到 $[0, 1]$：$\text{AUC-NP} / (n-2)$
值越接近 1 越好。优点是给出一个标量，不用看多 $k$ 曲线。
Lee & Verleysen (2009) 提出的统一框架。记录每个点对在高低维的秩，构造 co-ranking 矩阵 $Q = {q_{kl}}$，其中 $q_{kl}$ 是”高维中秩为 $k$、低维中秩为 $l$”的点对数量：
\[Q_{kl} = \#\{(i,j): r_X(i,j) = k \text{ and } r_Z(i,j) = l\}\]基于此可以定义任意 $k$ 下的LCMC——同时考虑了 Trustworthiness 和 Continuity：
\[\text{LCMC}(k) = \frac{1}{nk} \sum_{i=1}^k \sum_{j=1}^k Q_{ij} - \frac{k}{n-1}\]其中第一项是邻域命中率（hit rate），第二项减去随机期望。$\text{LCMC}(k) = \text{Trustworthiness}(k) + \text{Continuity}(k) - 1$，所以它本质上是两者的加总。
优势：用一个指标替代两个，且 $k$ 从 $1$ 到 $n-1$ 的 LCMC 曲线下的面积（AUC of LCMC）可以作为降维质量的单一标量评价。
考察高低维空间中的三元组关系是否一致。对任意三个点 $(i,j,k)$，如果 $d_X(i,j) < d_X(i,k)$，则希望在低维中也有 $d_Z(i,j) < d_Z(i,k)$：
\[\text{TripletAcc} = \frac{1}{\binom{n}{3}} \sum_{i,j,k: i<j\neq k} \mathbb{1}\big( (d_X(i,j) < d_X(i,k)) \iff (d_Z(i,j) < d_Z(i,k)) \big)\]取值范围 $[0.5, 1]$——随机排序的期望是 0.5。这个指标比 Trustworthiness 更全局，因为它不受限于邻域，而是考察所有的相对位置关系。
Lebanon et al. 提出，基于所有三元组关系的一致程度：
\[C = \frac{1}{\binom{n}{3}} \sum_{i,j,k} \mathbb{1}\big((d_X(i,j)-d_X(i,k))(d_Z(i,j)-d_Z(i,k)) > 0\big)\]与 Triplet Accuracy 本质相同，但实现更直接。值越大越好。
t-SNE 和 UMAP 各自优化一个特定的损失函数。这些损失本身也可以用来评价嵌入质量：
不过这些指标偏向各自的方法，跨方法比较时不够公平。
Lee & Verleysen (2010) 的经典综述把降维评价指标归纳为一个谱系：
全局距离保持 ←——————→ 局部邻域保持
Stress Trustworthiness
Sammon Stress Continuity
Spearman ρ LCMC
Triplet Accuracy k-NN preservation
Procrustes Co-ranking
没有单一的”最好”指标——取决于你关心数据结构的哪个层次。
高维距离矩阵 ${d_X(i,j)}$ 与低维距离矩阵 ${d_Z(i,j)}$ 之间的秩相关系数（去掉对角线的所有点对）。值越接近1说明距离顺序保持得越好。
Shepard diagram 是散点图，横轴为高维距离，纵轴为低维距离，理想情况所有点落在 $y=x$ 上。
Stress（归一化残差） 则量化偏离程度：
\[\text{Stress} = \frac{\sum_{i<j} (d_X(i,j) - d_Z(i,j))^2}{\sum_{i<j} d_X(i,j)^2}\]MDS 系列方法直接优化这个指标，其他方法（t-SNE、UMAP）通常不直接优化它但可以用它来评价。
与 Stress 类似但给短距离更高权重：
\[E_{\text{Sammon}} = \frac{1}{\sum_{i<j} d_X(i,j)} \sum_{i<j} \frac{(d_X(i,j) - d_Z(i,j))^2}{d_X(i,j)}\]其中 $\rho$ 是 Pearson 相关。值越小越好。
这是更常用也更有说服力的做法：降维后的低维嵌入 $Z$ 不直接看结构保持，而是跑一个下游任务，看降维后的数据能不能把任务做好。如果下游任务表现好，说明降维保住了任务相关的信息。
对低维嵌入 $Z$ 跑 k-means（用欧氏距离），然后用 ARI / NMI / AMI / Silhouette 评估聚类质量：
\[\text{DR-KMeans-ARI} = \text{ARI}\big(\text{KMeans}(Z, k), Y\big)\]这是 t-SNE、UMAP、PCA 论文里最常用来对比的方法之一——虽然降维方法本身没有聚类，但如果嵌入空间本身是”好”的，k-means 应该能从中提取出有意义的簇。
指标选哪个： - 有标签数据：ARI 或 NMI，看聚类是否与真实标签对齐 - 无标签数据：Silhouette，看嵌入空间中是否存在自然的簇结构
在低维嵌入 $Z$ 上跑一个简单的 $k$-近邻分类器，用真实标签算准确率：
\[\text{KNN-ACC}(k) = \frac{1}{n} \sum_{i=1}^n \mathbb{1}\big(\text{KNN}(Z_{-i}, k) = y_i\big)\]一般取 $k=1$ 或 $k=5$，用留一法（LOO）或交叉验证。值越高说明嵌入空间保留了类别判别信息。
为什么有效： KNN 是一个没有归纳偏置的非参数分类器——如果它在低维嵌入上表现好，说明降维真的保留了数据的判别结构，而不只是拟合了某个特定分类器的偏好。
很多论文会用 1-NN LOO accuracy 作为标准指标，简单、可复现。
对每个查询点，看它在低维空间的 $k$ 近邻中有多少与它同标签：
\[\text{KNN-Precision}(k) = \frac{1}{n} \sum_{i=1}^n \frac{|\mathcal{N}_i^k(Z) \cap \text{same-class}(i)|}{k}\]相当于另一种量化的邻域保持，但不是看高维邻居是否被保持，而是直接看语义标签是否在嵌入空间中局部一致。
如果降维方法有显式的解码/重建机制： - PCA：$|X - ZW^T|_F^2$ - Autoencoder：$|X - \text{Dec}(Z)|_2^2$ - Distributional Reduction：低维原型点通过 srGW 映射回高维的重建误差
但注意：很多流行降维方法（t-SNE, UMAP）没有自然的重建机制。
通过旋转/缩放/平移将低维嵌入对齐到高维空间的某种参考（如PCA的结果），然后计算均方根误差：
\[\text{Procrustes RMSE} = \min_{R, t, s} \frac{1}{n} \| ZR + t - sX_{\text{ref}}\|_F^2\]反映了降维结果与”标准”全局结构之间的形状差异。
对于 PCA 直接适用，对非线性降维方法意义不大。
适用于 MDS 类方法，$\hat{d}$ 是最优单调回归后的距离。
聚类指标分为两类：外部指标（有ground truth标签）和内部指标（无标签，仅靠数据自身结构）。
假设真实标签为 $Y$，聚类结果为 $\hat{Y}$。
ARI 是 Rand Index 的修正版，排除了随机聚类的期望值：
\[\text{ARI} = \frac{\text{RI} - \mathbb{E}[\text{RI}]}{\max(\text{RI}) - \mathbb{E}[\text{RI}]}\]用计数表表示：设 $n_{ij}$ 为真实类别 $i$、聚类 $j$ 中的样本数，$a_i$ 为真实类别 $i$ 的总数，$b_j$ 为聚类 $j$ 的总数。
\[\text{ARI} = \frac{\sum_{ij} \binom{n_{ij}}{2} - \big[\sum_i \binom{a_i}{2} \sum_j \binom{b_j}{2}\big] / \binom{n}{2}}{\frac{1}{2} \big[\sum_i \binom{a_i}{2} + \sum_j \binom{b_j}{2}\big] - \big[\sum_i \binom{a_i}{2} \sum_j \binom{b_j}{2}\big] / \binom{n}{2}}\]取值 $[-1, 1]$，1 是完全一致，0 是随机。最推荐的外部指标——对类别不平衡不敏感。
$I$ 是互信息，$H$ 是熵。取值 $[0, 1]$。
NMI 的修正版，同样排除了随机期望值：
\[\text{AMI} = \frac{\text{MI} - \mathbb{E}[\text{MI}]}{\max(H(Y), H(\hat{Y})) - \mathbb{E}[\text{MI}]}\]比 NMI 更可靠，对聚类数多少更鲁棒。
基于点对的分类——所有样本对要么在同一聚类中（正），要么不在（负）。取值 $[0, 1]$。
简单直观的缺点：聚类数越多纯度越高，且对不平衡很敏感。
先用匈牙利算法（Hungarian algorithm）做聚类与真实标签的最佳匹配，再算准确率。常用于 k-means 等论文。
计算所有点对的精确率和召回率的调和平均，与FMI类似但可以调 $\beta$ 权重。
取值 $[0, 1]$。注意它没有做随机校正——所以当聚类数增多时 RI 天然偏高。ARI 通常是更好的选择，但 RI 更直觉，有时用于简单汇报。
Meilă (2003, 2007) 从信息论角度定义的两个聚类之间的距离：
\[\text{VI}(Y, \hat{Y}) = H(Y) + H(\hat{Y}) - 2 I(Y; \hat{Y}) = H(Y | \hat{Y}) + H(\hat{Y} | Y)\]取值 $[0, \log n]$，越小越好。VI 是严格的度量（满足三角不等式），而 NMI/ARI 不是。在聚类比较的理论分析中非常有用，但实践中的解读不如 NMI 直观。
专用于评估层次聚类（hierarchical clustering）的树状图质量。
算法流程： 1. 对数据做层次聚类，得到树状图（dendrogram） 2. 对每对点 $(i,j)$，提取它们在树状图中首次合并时的高度（cophenetic distance），记为 $c_{ij}$ 3. 计算 $C = \text{Corr}(d_{ij}, c_{ij})$，即原始距离矩阵 ${d_{ij}}$ 与共表型距离矩阵 ${c_{ij}}$ 的 Pearson 相关系数：
\[C = \frac{\sum_{i<j} (d_{ij} - \bar{d})(c_{ij} - \bar{c})}{\sqrt{\sum_{i<j} (d_{ij} - \bar{d})^2} \sqrt{\sum_{i<j} (c_{ij} - \bar{c})^2}}\]值越接近 1 越好——说明树状图忠实地反映了原始距离结构。
注意事项： 仅适用于层次聚类（agglomerative/divisive），不适用于 k-means 等扁平聚类。
没有真实标签时，靠数据的几何结构来评估聚类质量。
对每个样本 $i$，计算： - $a(i)$：与同簇其他样本的平均距离（簇内紧致度） - $b(i)$：与最近邻簇中所有样本的平均距离（簇间分离度）
\[s(i) = \frac{b(i) - a(i)}{\max(a(i), b(i))},\quad \text{Silhouette} = \frac{1}{n}\sum_{i=1}^n s(i)\]取值 $[-1, 1]$，越大越好。最常用的内部指标，但计算复杂度 $O(n^2)$。 对凸簇有效，对任意形状的簇可能失真。
其中 $\sigma_i$ 是簇 $i$ 中点到中心的平均距离，$d(c_i, c_j)$ 是两簇中心的距离。值越小越好。
$B_k$ 是簇间散度矩阵，$W_k$ 是簇内散度矩阵。值越大越好。计算快，但假设凸簇。
$\delta$ 是两簇间最小距离（最短的簇间距离），$\Delta$ 是簇内最大直径（最远的两点距离）。值越大越好。对离群点很敏感。
比较实际数据的 WSS（within-cluster sum of squares）与随机均匀数据的 WSS：
\[\text{Gap}(k) = \mathbb{E}[\log W_{\text{null}}(k)] - \log W(k)\]选择使 Gap 最大的 $k$，或 Gap 增速突然放缓的 $k$。
其中 $W_i$ 是簇 $i$ 内各点到中心距离的平方和，$n_i$ 是簇 $i$ 中点数。值越小越好。
计算点对”是否属于同一簇”与”距离远近”之间的相关性。构造两个矩阵： - $P$：$P_{ij} = 1$ 如果 $i,j$ 在同一簇，否则 0 - $D$：$d_X(i,j)$（或单调变换）
\[\Gamma = \frac{1}{M} \sum_{i=1}^{n-1} \sum_{j=i+1}^n \frac{(P_{ij} - \bar{P})(D_{ij} - \bar{D})}{\sigma_P \sigma_D}\]取值 $[-1, 1]$，越大越好。归一化版本称为 Hubert’s normalized Gamma。
同样是基于点对的相关性——看”距离”与”是否同簇”的 Pearson 相关：
\[\text{PB} = \frac{\bar{d}_{\text{within}} - \bar{d}_{\text{between}}}{\sigma_d} \sqrt{\frac{n_{\text{within}} \cdot n_{\text{between}}}{n(n-1)/2}}\]负值说明簇内距离小于簇间距离——这是期望的情况。
对基于概率模型的聚类（GMM）：
\[\text{BIC} = -2\log L(\hat{\theta}) + k \log n, \quad \text{AIC} = -2\log L(\hat{\theta}) + 2k\]选择 BIC 或 AIC 最小的 $k$。BIC 更保守（惩罚更重）。聚类形状（协方差结构）的选择也通过 BIC 比较。
核心思想：好的聚类应对数据扰动不敏感。通过重采样评估。
通用算法（bootstrap + ARI）： ``` 输入：数据 X，聚类算法 A，聚类数 k，重采样次数 B 输出：稳定性得分 S
for b = 1 to B: 1. 从 X 中 bootstrap 采样（有放回），得到 X_b 2. 在 X_b 上跑 A，得聚类标签 y_b 3. 在 X 的原始点上，用最近邻映射 y_b 到全量标签 y_b^full （或：对不在 X_b 中的点用 A 预测）
计算一致性矩阵 C： C[i][j] = (样本 i,j 在 bootstrap 中同时出现的次数中， 它们被分到同一簇的比例)
计算稳定性：S = 在 C 上跑 A 的 ARI 或 S = mean_{b≠b’} ARI(y_b^full, y_{b’}^full) ```
如果聚类方法对数据扰动敏感，说明发现的结构虚假。稳定性好的聚类更可信。
公式版：
\[\text{Stability} = \frac{2}{B(B-1)} \sum_{1 \leq b < b' \leq B} \text{ARI}(\hat{Y}_b, \hat{Y}_{b'})\]常见的稳定性方法： - Brecken’s method：子样本聚类 → 用最近邻分类器预测剩余样本 → 比较两次预测的一致性 - Lange’s method：类似重采样 + kappa 系数而不是 ARI - Ben-Hur’s method：基于自洽性（self-consistency）的图结构分析
计算量警告： $O(B \cdot T_A)$，其中 $T_A$ 是聚类算法的单次运行时间。B=20~50 是常见的折中。
| 指标 | 完整公式 | 计算流程 | 越小越好？ |
|---|---|---|---|
| Scott-Symons | $\sum_{i=1}^k n_i \log \frac{|W_i|}{n_i}$ | 1. 对每个簇 $i$，计算类内协方差矩阵 $W_i$ 2. $|W_i|$ 是 $W_i$ 的行列式 3. 加权求和 |
越小 |
| Krzanowski-Lai | $\text{KL}(k) = \left| \frac{\text{CH}(k) - \text{CH}(k-1)}{\text{CH}(k+1) - \text{CH}(k)} \right|$ | 1. 对 $k = k_{\min}$ 到 $k_{\max}$ 算 CH index 2. 计算相邻 CH 的差分比 3. 选 $\text{KL}(k)$ 最大的 $k$ |
选 KL 最大的 $k$ |
| Hartigan | $\text{Hart}(k) = \left( \frac{\text{Tr}(W_k)}{\text{Tr}(W_{k+1})} - 1 \right)(n - k - 1)$ | 1. 对 $k=1$ 到 $k_{\max}$ 算 Tr($W_k$) 2. 计算相邻 WSS 比的变换 3. 选 $\text{Hart}(k) < 10$ 的首个 $k$ |
选首次 < 10 的 $k$ |
| McClain-Rao | $\frac{\bar{d}{\text{within}}}{\bar{d}{\text{between}}}$ | 1. 计算所有簇内点对距离的平均值 $\bar{d}{\text{within}}$ 2. 计算所有簇间点对距离的平均值 $\bar{d}{\text{between}}$ 3. 取比值 |
越小 |
| C-Index | $\frac{S_{\text{within}} - \min(S_{\text{within}})}{\max(S_{\text{within}}) - \min(S_{\text{within}})}$ | 1. $S_{\text{within}}$ = 所有簇内点对距离之和 2. $\min(S_{\text{within}})$ = 所有点对中取 $n_{\text{within}}$ 个最小距离的和 3. $\max$ 同理取最大距离和 |
越小 ($\leq 1$) |
| Trace W (肘部) | $\text{Tr}(W_k) = \sum_{i=1}^k \sum_{x \in C_i} |x - \mu_i|^2$ | 1. 对每个 $k$ 算 WSS 2. 画 $\text{Tr}(W_k) \sim k$ 曲线 3. 找”肘部”（拐点） |
越小（但不是选最小的，选肘部） |
有些方法（如 Distributional Reduction、srGW 降维）同时做降维和聚类，评价时需要兼顾两方面。
分布缩减（Distributional Reduction）产出的是低维原型点（prototypes）。评价这类方法：
当聚类数 $K$ 与嵌入维度 $d$ 之间存在连续谱时（分布缩减的核心创新），需要考察：
| 场景 | 推荐指标组合 |
|---|---|
| 降维论文（标准） | Trustworthiness + Continuity + MRRE + KNN-ACC + NMI on k-means |
| 降维论文（快速） | Trustworthiness(k=5,30,100) + 1-NN LOO |
| 降维论文（有标签数据） | KNN-ACC(1) + NMI(k-means) + Trustworthiness（三个维度） |
| 降维论文（无标签数据） | Trustworthiness + Continuity + Silhouette on embedding |
| 聚类论文（有标签） | ARI + NMI（并列，两个都要看） |
| 聚类论文（无标签） | Silhouette + DBI + Gap Statistic |
| 同时做降维+聚类 | ARI(k-means) + Trustworthiness + 联合散点图 |
| 评估不同降维方法的可视化质量 | Trustworthiness + 目视检查 + 1-NN LOO |
| k-means变体 | ARI + CH index（CH基于欧氏距离正好匹配k-means的前提） |
常见坑： - ARI 在 $n$ 较小时方差很大，需要多次重复 - Silhouette 对非凸簇完全不work - Trustworthiness 只取一个 $k$ 会误导——必须画 $k$ 从1到 $n/2$ 的曲线 - 没有”最好的指标”，永远要配合可视化看
下面的复杂度以 $n$ 为样本数、$D$ 为原始维度、$d$ 为降维后维度、$k$ 为近邻数或聚类数来标注。假设距离矩阵已预计算（$O(n^2 D)$），除非特别说明。
| 指标 | 时间复杂度 | 空间复杂度 | 关键操作 | 注意 |
|---|---|---|---|---|
| Trustworthiness $(k)$ | $O(n^2 \log n + n^2 k)$ | $O(n^2)$ | 全距离矩阵 + 排序 | 瓶颈在排序 |
| Continuity $(k)$ | $O(n^2 \log n + n^2 k)$ | $O(n^2)$ | 同上 | 同上 |
| MRRE $(k)$ | $O(n^2 \log n + n^2 k)$ | $O(n^2)$ | 同上 + 秩差 | 略慢于 T+C |
| NH $(k)$ | $O(n^2 \log n)$ | $O(n^2)$ | 排序 + 求交 | 快于 T+C |
| AUC of NP | $O(n^2 \log n)$ | $O(n^2)$ | NH 对所有 k 积分 | 快速 |
| LCMC | $O(n^2 \log n)$ | $O(n^2)$ | co-ranking 矩阵 | 等价于 T+C-1，$O(1)$ 额外 |
| Triplet Accuracy | $\boldsymbol{O(n^3 \log n)}$ ⚠️ | $O(n^2)$ | 全三元组排序比较 | n > 1000 时不可行，一般用采样近似 |
| C Measure | $\boldsymbol{O(n^3)}$ ⚠️ | $O(1)$ | 三元组比较 | 同上，$\binom{n}{3} \approx n^3/6$ |
| KL Divergence | $O(n^2)$ | $O(n^2)$ | softmax + 求和 | 较快 |
| Spearman $\rho$ | $O(n^2 \log n)$ | $O(n^2)$ | 全秩排序 | 无需指定 k |
| Stress | $O(n^2)$ | $O(n^2)$ | 简单代数 | 最快之一 |
| Sammon Stress | $O(n^2)$ | $O(n^2)$ | 加权 Stress | 比 Stress 多一步除法 |
| Residual Var | $O(n^2)$ | $O(n^2)$ | Pearson 相关 | 快速 |
| Procrustes | $O(D d^2 + d^3)$ | $O(Dd)$ | SVD | 维度无关 $n$ |
| KNN-ACC | $O(n^2 \log n + n k)$ | $O(n^2)$ | 距离排序 + LOO 投票 | 1-NN 最快 |
| K-means on embedding | $O(n k d \cdot \text{iter})$ | $O(n d + k d)$ | Lloyd 迭代 | 比 true k 慢，iter ~ 10-100 |
| 指标 | 时间复杂度 | 空间复杂度 | 关键操作 | 注意 |
|---|---|---|---|---|
| ARI | $O(n k + k^2)$ | $O(k^2)$ | 列联表 | 极快 |
| NMI | $O(n k + k^2)$ | $O(k^2)$ | 熵/互信息 | 极快 |
| AMI | $O(n k + k^2)$ | $O(k^2)$ | NMI + 期望估计 | 比 NMI 多算一项 |
| Homogeneity/Completeness | $O(n k)$ | $O(k^2)$ | 条件熵 | 极快 |
| FMI | $O(n^2)$ | $O(n^2)$ | 全点对计数 | n 大时慢，可采样 |
| Purity | $O(n k)$ | $O(k^2)$ | 列联表 max | 极快 |
| ACC | $O(k^3 + n)$ | $O(k^2)$ | Hungarian 匹配 | $k < 50$ 时极快 |
| RI | $O(n^2)$ | $O(n^2)$ | 全点对 | n 大时慢 |
| VI | $O(n k + k^2)$ | $O(k^2)$ | 熵 + 互信息 | 极快 |
| Cophenetic | $O(n^2)$ | $O(n^2)$ | 树状图距离 + 相关 | 仅层次聚类 |
| 指标 | 时间复杂度 | 空间复杂度 | 关键操作 | 注意 |
|---|---|---|---|---|
| Silhouette | $\boldsymbol{O(n^2)}$ ⚠️ | $O(n^2)$ | 全距离 + 跨簇平均 | n=10⁵ 时不可行 |
| DBI | $O(n k d + k^2)$ | $O(k^2)$ | 簇中心 + 半径 | 快 |
| CH | $O(n d k)$ | $O(d^2)$ | 散度矩阵迹 | 快 |
| Dunn | $\boldsymbol{O(n^2)}$ ⚠️ | $O(n^2)$ | 簇间/簇内距离极值 | 对噪声敏感 |
| Gap Statistic | $\boldsymbol{O(B \cdot n \cdot k \cdot d)}$ ⚠️ | $O(n^2)$ | B 次 bootstrap | B=10~50，每次跑 k-means |
| Ball-Hall | $O(n d k)$ | $O(d)$ | WSS 累加 | 快 |
| Hubert’s Gamma | $\boldsymbol{O(n^2)}$ ⚠️ | $O(n^2)$ | 全点对相关 | n 大时慢 |
| Point Biserial | $\boldsymbol{O(n^2)}$ | $O(n^2)$ | 同上变体 | 同上 |
| BIC / AIC | $O(n d k + k d^2)$ | $O(d^2)$ | MLE + 似然 | GMM 时更慢 |
| Stability | $\boldsymbol{O(B \cdot n \cdot k \cdot d \cdot \text{iter})}$ ⚠️ | $O(n k)$ | 重采样 + 再聚类 | B=20~100，昂贵 |
| Krzanowski-Lai | $O(n d k)$ | $O(d^2)$ | 基于 CH 的比值 | 需算多个 k 的 CH |
| Hartigan | $O(n d k)$ | $O(d)$ | WSS 比值 | 需算多个 k 的 WSS |
| McClain-Rao | $\boldsymbol{O(n^2)}$ | $O(n^2)$ | 全距离平均 | 同 Silhouette |
| C-Index | $\boldsymbol{O(n^2)}$ | $O(n^2)$ | 极值搜索 | 同 Silhouette |
| Trace W (肘部) | $O(n d k)$ | $O(d)$ | WSS 累加 | 极快 |
降维：O(n² log n) 是日常，O(n³) 别碰（Triplet/C）
聚类外部：O(nk) 到 O(k³)，列联表就够
聚类内部：快的 O(ndk)，慢的 O(n²)
最贵操作排序：距离矩阵计算 > 全排序 > Lloyd > 列联表
速度优先级排序（从快到慢）： 1. 超快 ($\ll 1s$ for n=10⁴)：ARI, NMI, Purity, CH, BIC — 适合大规模筛选 2. 快 ($\sim 1s$)：Trustworthiness, KNN-ACC, DBI — 标准配置 3. 中 ($\sim 10s$)：Silhouette, Gap Statistic — n 到万级 4. 慢 ($\sim \text{min}$)：Stability (bootstrap), Triplet Accuracy — 仅验证实验
实战经验： 对于 n=10⁴、D=100 的数据集，算全距离矩阵约 0.5s，Trustworthiness(十个 k) 约 2s，Silhouette 约 1s，Stability(B=20) 约 30s。时间大头一般在多次跑 k-means（对每个 k 值），而不是算指标本身。
]]>法国在当代计算OT领域的地位，基本上等于美国在深度学习领域的地位。Villani（菲尔兹奖得主）铺了理论底子，然后几个应用数学/ML帮派把它变成了机器学习的标准工具。
源头：Rémi Flamary + Nicolas Courty，POT（Python Optimal Transport）库的两位创始人。
核心成员：
| 人名 | 现在位置 | 关键词 |
|---|---|---|
| Rémi Flamary | Polytechnique | POT主创、域适应、GW/srGW |
| Nicolas Courty | IRISA Vannes | POT主创、域适应 |
| Titouan Vayer | INRIA Lyon | GW/FGW理论奠基人 |
| Cédric Vincent-Cuaz | EPFL（博后） | srGW、图OT、数字病理 |
| Laetitia Chapel | INRIA | 非平衡OT |
| Marco Corneli | Université Côte d’Azur | 图OT、SBM |
| Charles Bouveyron | Université Côte d’Azur | SBM + OT |
PhD传承（Flamary-Courty线）：
Flamary / Courty
├── Titouan Vayer (PhD) → GW/FGW理论 → INRIA Lyon
├── Cédric Vincent-Cuaz (PhD 2023) → srGW → EPFL
├── Hugues Van Assel (PhD) → GW统一聚类降维 → Broad Institute
├── Laetitia Chapel → 非平衡OT
└── Nathan Cassereau / Théo Gnassounou 等 → 在读
代表作：POT库（JMLR 2021, 4000+引用）、srGW divergence（ICLR 2022）、Online Graph Dictionary Learning（ICML 2022 Spotlight）。
源头：Marco Cuturi，Sinkhorn算法之父。2013年把Sinkhorn-Knopp算法引入OT，把计算复杂度从 $O(n^3 \log n)$ 降到 $O(n^2)$，直接让OT能在ML里用。
| 人名 | 位置 | 关键词 |
|---|---|---|
| Marco Cuturi | Apple Paris / ENSAE | Sinkhorn距离、OT for ML，339页OT教程 |
| Meyer Scetbon | Apple | 正则化OT、双循环Sinkhorn |
| Boris Muzellec | Apple / INRIA | OT处理缺失数据 |
| Kilian Fatras | Apple | 随机OT |
| Vivien Seguy | INRIA | 切片Wasserstein |
| Oleksii Kachaiev | — | POT贡献者 |
代表作：Sinkhorn Distances（NIPS 2013）、Scalable OT。
源头：Gabriel Peyré（CNRS研究总监），与Cuturi合著了领域圣经《Computational Optimal Transport》。
| 人名 | 位置 | 关键词 |
|---|---|---|
| Gabriel Peyré | CNRS / ENS | Computational OT作者、Sinkhorn散度 |
| Jean Feydy | ENS / INRIA | geomloss库创建者、多尺度快速Sinkhorn |
| Julie Delon | Université Paris Cité (MAP5) | OT for 图像处理 |
| François-Xavier Vialard | Université Paris Cité | OT微分同胚配准 |
| Thibault Séjourné | ENS | Sinkhorn散度理论 |
Peyré的PhD传承：
Gabriel Peyré
├── Jean Feydy (PhD) → geomloss → INRIA
├── Thibault Séjourné → Sinkhorn散度
└── Kimia Nadjahi → 切片OT
代表作：geomloss库、Interpolating OT（Feydy et al., NeurIPS 2019）。
以下这些人横跨多个实验室，是圈子里的”粘合剂”：
| 人名 | 横跨 | 角色 |
|---|---|---|
| Alexandre Gramfort | INRIA → Meta | POT核心贡献、OT for MEG/EEG |
| Alexander Tong | INRIA → Mila | OT-CFM流匹配、单细胞 |
| Clément Bonet | INRIA | OT for 图+组合优化 |
| Antoine Collas | INRIA | OT for 信号处理 |
| Sonia Mazelet | INRIA | OT传输计划无监督学习 |
| 人名 | 位置 | 关键词 |
|---|---|---|
| Nicolas Bonneel | CNRS / Lyon 1 | OT for 图形学、survey |
| David Coeurjolly | CNRS / Lyon 1 | OT for 几何处理 |
| 项目 | 创造者 | 地位 |
|---|---|---|
| POT库 | Flamary, Courty et al. | OT求解器标准库（JMLR 2021） |
| geomloss | Feydy | 快速多尺度Sinkhorn（PyTorch） |
| OTT-JAX | Cuturi组(Google) | JAX版OT，可微分 |
POT库的22人贡献者名单基本就是法国OT圈的骨干名单（引用格式中的作者顺序）：Flamary, Vincent-Cuaz, Courty, Gramfort, Kachaiev, Quang Tran, David, Bonet, Cassereau, Gnassounou, Tanguy, Delon, Collas, Mazelet, Chapel, Kerdoncuff, Yu, Feickert, Krzakala, Liu, Fernandes Montesuma。
Cédric Villani (理论奠基)
│
┌─────────────────────┼─────────────────────┐
│ │ │
Peyré (ENS/CNRS) Cuturi (Apple/ENSAE) Flamary/Courty (INRIA)
理论+几何 Sinkhorn实用 POT工程+应用
│ │ │
├─ Feydy (geomloss) ├─ Scetbon ├─ Vayer (GW理论)
├─ Delon (图像OT) ├─ Muzellec ├─ Vincent-Cuaz (srGW)
├─ Séjourné (散度) ├─ Fatras ├─ Van Assel (GW+SSL)
└─ Nadjahi (切片) └─ Seguy └─ Corneli (SBM+OT)
三个圈子在NeurIPS/ICLR/ICML上常有合体发文，POT库是联合工程纽带。Cuturi和Peyré合写了那本OT圣经，Flamary/Courty的POT库用到几乎所有法国OT工作的实验里。
| 人名 | 法国出处 | 现去向 | 方向 |
|---|---|---|---|
| Hugues Van Assel | INRIA Sophia | Broad Institute / Genentech | SSL + OT + 生信 |
| Alexander Tong | INRIA Paris | Mila（博后） | OT-CFM、单细胞 |
| Cédric Vincent-Cuaz | INRIA Sophia | EPFL（博后） | srGW、图OT、病理 |
| Boris Muzellec | INRIA / Apple | Apple Paris | 缺失数据OT |
更新（2026-07-04）：Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein（arXiv:2402.02239）在 OpenReview 上标注为 Accepted by TMLR（Transactions on Machine Learning Research），2025年6月27日公开。v3 就是最终的 TMLR 出版版本，45页20张图。
它的NSW短版（Interpolating between Clustering and Dimensionality Reduction with GW, arXiv:2310.03398）则是NeurIPS 2023 Workshop论文。
]]>降维的核心目标是：给定高维数据 $X \subset \mathbb{R}^D$，找一个低维嵌入 $Z \subset \mathbb{R}^d$（$d \ll D$），使得 $Z$ 尽可能”保持” $X$ 的某种结构。
GW 距离天然适合这个任务，因为它度量两个度量空间之间的差异——而不要求空间维度相同、特征可比。这正是降维的设定：高维空间和低维空间维度不同、特征不可比，但我们可以要求它们的内部点间距离结构一致。
标准 GW 距离： \(\text{GW}(P, Q) = \min_{\pi \in \Pi(\mu,\nu)} \sum_{i,j,k,l} \|d_X(x_i, x_k) - d_Y(y_j, y_l)\|^2 \, \pi_{ij} \pi_{kl}\)
将降维重写为 GW 对齐问题：
\[\min_{Z} \text{GW}(\mu_X, \nu_Z)\]与经典算法的关系：
| 方法 | GW 视角 |
|---|---|
| MDS | 固定 $\pi = I$，只优化 Z |
| Isomap | 用测地距离替换欧氏距离，其他同 MDS |
| GW-DR (本文) | 不固定 $\pi$，同时学对应+嵌入 |
semi-relaxed GW (srGW)：
\[\text{srGW}(D_X, D_Z, \mu, \nu) = \min_{\pi \in \Pi(\mu, \nu)} \sum_{i,j,k,l} |d_X(x_i, x_k)^2 - d_Z(z_j, z_l)^2| \, \pi_{ij} \pi_{kl}\]关键特性：目标分布的权重 $\nu$ 可以学习（部分松弛）。
| 嵌入样本数 | 行为 |
|---|---|
| $n_{emb} = n_{input}$ | 退化为经典降维 |
| $n_{emb} < n_{input}$ | 样本缩减——多点到一点 |
| 维度无约束 | 运输计划 $\pi$ 给出硬聚类 |
| 中间状态 | 聚类 + 降维同时做 |
一个参数 $\lambda$ 连续控制从”纯降维”到”纯聚类”的过渡。
系统化扩展，提出统一框架：
\[\boxed{\text{分布缩减} = \text{降维} + \text{聚类 统一在 GW 框架下}}\]数学本质：在 Wasserstein 空间中学一个低维多面体（simplex）近似。
传统降维：$\mathbb{R}^D \to \mathbb{R}^d$
本文：$\mathbb{R}^D \to$ 任意度量空间（圆 $S^1$、图、树、流形）
\[\min_{Z \subset \mathcal{M}} \text{srGW}(D_X, D_Z)\]痛点：GW 复杂度 $O(n^4)$，每次新样本都要重算。
LPGW：
\[\text{LPGW}(P, Q) = \|\phi(P) - \phi(Q)\|\]好处：$K$ 个分布间距离计算从 $O(K^2)$ 降到 $O(K)$
多视图数据降维：
\[\min_{Z, \pi^{(1)}, \ldots, \pi^{(V)}} \sum_{v=1}^V \lambda_v \cdot \text{GW}(D^{(v)}, D_Z)\]两种策略： - Mean-GWMDS：平均距离矩阵后 GW 嵌入（简单但损失非线性结构） - Multi-GWMDS：每个视图独立 GW 嵌入，再从候选 Z 中选代表性嵌入
后者更精细：$\min_{Z} \sum_v \text{GW}(D_Z^{(v)}, D_Z)$
联合框架：同时做图匹配 + 节点嵌入
\[\min_{\pi, Z_1, Z_2} \text{GW}(D_{G_1}, D_{G_2}) + \lambda \cdot \text{reg}(Z_1, Z_2, \pi)\]| node2vec | GW 方法 | |
|---|---|---|
| 图数 | 单个图 | 两个不同图 |
| 对齐 | 不需要 | 自动学出跨图对应 |
| 应用 | 单个图分析 | 跨图匹配+嵌入 |
不是直接最小化 GW，而是用 GW 结构做反馈：
将分布缩减推广到有监督：
\[\min_{Y, b, \pi} \underbrace{\text{FGW}(D_X, D_Y, \pi)}_{\text{保结构}} + \beta \cdot \underbrace{\text{MI}(Y, \text{label})}_{\text{标签依赖}}\]Flow Matching + GW 做可控降维+重建：
两个耦合流： - 潜伏流 $y_t$：先验 → 嵌入 - 数据流 $x_t$：嵌入条件 → 原始数据
GW 保证嵌入空间几何忠实反映原始数据结构：不只是压缩，而是”压缩后的空间几何 ≈ 原始空间几何”。
用户可指定保留哪些语义维度，残余信息存在流网络权重中可恢复。
┌─────────────────────┐
│ GW 距离 — 基础 │
└────┬────────┬───────┘
│ │
┌────────────┤ ├──────────────┐
▼ ▼ ▼ ▼
┌──────────┐ ┌──────────┐ ┌──────┐ ┌──────────┐
│ 纯降维 │ │聚类+降维 │ │嵌入 │ │ 扩展方向 │
│ #1 Eufrazio│ │#2 VanA │ │#5 Bai│ │ #9 反馈 │
│ #4 Clark │ │#3 VanA │ │#6-7E │ │#10 有监督 │
└──────────┘ │#10 Ramesh │ │#8 Xu │ │#11 流匹配 │
└──────────┘ └──────┘ └──────────┘
自己做黄油的魅力在于：风味可以精确控制——发酵黄油 vs 甜黄油、加盐 vs 无盐、甚至加香料/蒜蓉/蜂蜜，外面买不到的版本家里都能做。
稀奶油（~35%脂肪）
↓ 搅拌（Churning）—— 脂肪球膜破裂，脂肪聚集
分离出酪乳（Buttermilk）
↓ 冷水洗涤（去除残余酪乳，延长保质期）
排水
↓ 压揉（排出多余水分，调整含水量）
成品黄油
整个过程的核心物理变化只有一步：搅拌。不需要任何添加剂，不需要加热。
| 原料 | 脂肪含量 | 效果 |
|---|---|---|
| 稀奶油（Whipping Cream / Heavy Cream） | 35-38% | 🏆 首选，出油率高 |
| 全脂牛奶 | 3.5% | 可以但极难——脂肪太少，搅拌几乎不出油 |
| 浓奶油（Double Cream） | 48%+ | 出油快，但风味不如稀奶油均衡 |
关键：一定要买 UHT 高温灭菌稀奶油（超市冷藏柜那种），不要用”植脂奶油”（那是人造黄油）。
材料：淡味稀奶油（淡奶油）500ml → 约得 200-220g 黄油 + 200ml 酪乳
步骤：
💡 温度判断
手摸容器壁——微凉但不冰手，差不多就是这个温度。
看变化：
液体 → 浓稠酸奶状 → 湿打发（硬挺状态）→ 析出淡黄色液体（酪乳）
↑ 这就是黄油出现的信号！
搅拌到突然看到淡黄色液体积聚在底部、固体聚成一团——黄油分离了！
分离：纱布/筛网过滤，收集酪乳（Buttermilk）——别倒！这是好东西，后面说。
冷水洗涤：把黄油团放进一大碗冰水（可放冰块），用手揉捏挤压。水变浑浊后换新水。重复 3-4 次，直到水变透明。这一步去除残留酪乳，否则黄油容易酸败。
⚠️ 注意
微波法容易过热，一旦脂肪融化就做不成黄油了。控制在中低火，宁可多来几次。
| 维度 | 自制黄油 | 市售黄油 |
|---|---|---|
| 含水量 | ~15% (可调整) | 16%（国标上限） |
| 风味 | 新鲜浓郁，有奶油本味 | 标准化，批次一致 |
| 盐含量 | 自控 | 通常 1-2% |
| 保质期 | 冷藏2-3周，冷冻4-6个月 | 冷藏数月（含防腐剂） |
| 酪乳副产物 | ✅ 有 | ❌（被分离处理了） |
自制黄油分离出来的酪乳不是超市那种发酵酪乳，而是搅拌散落的奶油剩余液体，味道清甜酸爽。用途：
总量参考：500ml 稀奶油 → 约得 200-220ml 酪乳，够做一整盘松饼。
保存：冷藏可放 5-7 天，冷冻 1 个月。
发酵黄油是欧洲高端黄油的主流（如法国的 Échiré、Isigny），比普通黄油多一股发酵酸香和坚果味。
自制方法：
科学原理：乳酸菌发酵产生丁二酮（diacetyl，γ-壬内酯的同类香气物质，带奶油香和坚果味），这正是高级黄油风味的秘密。市售”增香黄油”也添加了丁二酮。
| 现象 | 原因 | 修复 |
|---|---|---|
| 搅拌半小时不出油 | 奶油太冷 | 隔温水升温（不是微波！），继续搅 |
| 出油了但黄油散成碎粒 | 奶油太热 | 加冰水降温，继续拌匀 |
| 黄油发白、不黄 | 脂肪含量不足，或奶源冬天少β-胡萝卜素 | 正常，夏天的草饲牛奶做的黄油天然更黄 |
| 压不出水 | 没压够 | 继续用刮刀反复刮压，水珠用纸吸 |
| 成品有酸味 | 洗涤不彻底或酪乳残留 | 重洗一次（切小块用冰水泡5分钟再挤干） |
| 成品太软、不成形 | 含水量太高 | 重新压排水，或冷藏定型后再切 |
| 状态 | 保存温度 | 期限 |
|---|---|---|
| 冷藏（原味） | 0-4°C | 2-3 周 |
| 冷藏（加盐） | 0-4°C | 3-4 周（盐本身就是天然防腐） |
| 常温（短期） | 20°C以下 | 3-5 天（盖紧防氧化） |
| 冷冻 | -18°C | 4-6 个月（分块密封） |
冷冻前建议分 50-100g 小块，用油纸包好再套密封袋。用完一块拿一块，不反复解冻。
全脂牛奶的脂肪含量只有 3.5% 左右，搅拌起来：
结论：买稀奶油做，不要自己从牛奶做起。除非你真的特别想体验从一杯奶到一小块黄油的成就感——那也行，但要有心理准备。
稀奶油 (10-14°C)
│
├── 不发酵 → 搅拌 → [普通黄油]
│ │
└── 加酸奶/酪乳发酵12-24h → 搅拌 → [发酵黄油]
│
冷水洗涤 × 3-4
│
压排水（压到挤不出水）
│
调味：加盐/蒜蓉/蜂蜜
│
油纸卷起 → 冷藏定型
│
✅ 完成 + 副产物酪乳
]]>💡 核心要点
自制黄油 = 稀奶油 + 搅拌 + 冷水洗 + 压排水。唯一的技术含量在"压排水"那一步——压得越干，保质期越长，口感越紧实。
你有没有这种体验——番茄炒蛋明明就两样东西，但比单独吃番茄加鸡蛋好吃十倍？这背后不是玄学，是有科学原理的：味觉协同作用（Taste Synergy）。
| 组合 | 效应 | 实例 |
|---|---|---|
| 酸 + 甜 | 糖抑制酸尖锐，提升果香 | 糖醋排骨、草莓酱 |
| 酸 + 咸 | 咸调和酸涩，酸让咸更明亮 | 醋拌凉菜、酸黄瓜 |
| 甜 + 苦 | 🏆 甜是最强苦味抑制剂 | 咖啡加糖、黑巧+蜂蜜 |
| 甜 + 咸 | 盐让甜点更甜 | 焦糖海盐、盐焗水果 |
| 咸 + 鲜 | 🏆 咸是鲜的放大器 | 酱油+蚝油、盐水毛豆 |
| 鲜 + 酸 | 酸突出鲜（适量） | 番茄汤底+少许醋 |
| 苦 + 咸 | 咸能弱化苦味 | 盐水煮苦菜、豆豉炒苦瓜 |
三个核心规律： 1. 甜 → 最强的苦味克星 2. 酸 → 万能调和剂（去腥、解腻、增鲜） 3. 咸 → 鲜味的放大器（MSG+NaCl 经典搭档）
这是整个味觉科学里最让人惊叹的发现。
鲜味物质分两类，在味蕾上作用于同一个受体（T1R1/T1R3）： - 谷氨酸（MSG）：酱油、番茄、昆布、奶酪 - 肌苷酸（IMP）：肉类、鱼、干贝 - 鸟苷酸（GMP）：菌菇类（香菇、松茸）
当两者同时存在时 → 鲜味强度不是 1+1=2，而是 1+1=7！
一种肉/鱼 + 一种菌菇 + 一种发酵调味品 = 天然高鲜
具体例子： - 鸡汤（IMP）+ 干贝（GMP） → 高鲜汤底 - 昆布（MSG）+ 木鱼花（IMP） = 日式高汤（味增汤就是靠这个） - 番茄（MSG）+ 虾皮（IMP） - 炒青菜加蚝油（MSG+IMP）→ 瞬间提鲜 - 麻婆豆腐：豆瓣酱（MSG）+ 牛肉末（IMP）
💡 搭配思路
要做一道极鲜的菜，试试海+陆+菌的组合。比如干贝+猪肉末+香菇，随便搭都好吃。
| 味觉 | 最佳温度 | 实用技巧 |
|---|---|---|
| 甜 | 30-40°C最强 | 冰可乐其实不如常温甜！冷藏水果不够甜？撒一小撮盐 |
| 酸 | 低温更尖锐 | 冰柠檬水更清爽 |
| 苦 | 高温更明显 | 热咖啡比冰咖啡苦 |
| 鲜 | 50-60°C最宜 | 高汤一定要趁热喝 |
| 咸 | 高温减弱 | 热汤尝不出咸？稍凉点再调味 |
味觉不只是舌头的事：
料酒 1 : 生抽 2 : 香醋 3 : 白糖 4 : 水 5 - 醋加热会挥发，出锅前再补一点醋保留酸味
]]>💡 试试看
觉得菜"差了点什么"的时候——
加一点点糖 → 试试提不提鲜
加几滴醋 → 试试开不开胃
加一小撮盐 → 试试甜味会不会更亮
加一勺蚝油 → 试试鲜味够不够
往往就差这一下。
| 烟点等级 | 温度范围 | 适合方式 | 代表油 |
|---|---|---|---|
| 🔥 高烟点 | > 210°C | 爆炒、煎炸 | 茶籽油、花生油、菜籽油 |
| 🔥 中烟点 | 190-210°C | 中火炒菜、煎 | 猪油、精炼橄榄油 |
| 🔥 低烟点 | < 190°C | 凉拌、低温、点香 | 特级初榨橄榄油、芝麻油 |
油一旦冒烟（超过烟点）就会分解产生有害物质和致癌物，风味也会变苦。不要等油冒烟了再下菜！
厨师做菜很少只用一种油：
| 组合 | 效果 |
|---|---|
| 花生油 + 猪油 | 炒青菜——香气瞬间提升 |
| 菜籽油 + 鸡油 | 川菜增香，底味醇厚 |
| 植物油 + 少量香油 | 出锅前淋——画龙点睛 |
| 橄榄油 + 黄油 | 西餐煎牛排——果香+奶香 |
]]>💡 常备建议
家里常备 3 种油就够了：1瓶花生油（爆炒）+ 1瓶特级初榨橄榄油（凉拌/低温）+ 1小瓶香油（提香）。再备一罐猪油，炒青菜时挖一勺，味道直接上一个台阶。
| 淀粉 | 特点 | 最适合 |
|---|---|---|
| 玉米淀粉 | 色泽亮白，通用百搭 | 糖醋汁、鱼香汁、各类勾芡 |
| 土豆淀粉 | 极透明，浓稠亮泽 | 黑胡椒酱、浓汁酱料 |
| 藕粉 | 细腻清香，自带光泽 | 糖醋菜（糖醋藕丁绝配） |
| 淀粉 | 特点 |
|---|---|
| 红薯淀粉 | 🏆 最脆，放凉也不软！炸酥肉/排骨首选 |
| 土豆淀粉 | 酥脆干爽，锅包肉经典 |
| 玉米淀粉 | 需混面粉，单用不够脆 |
| 木薯淀粉 | 特殊弹性，某些脆皮炸鸡配方 |
| 淀粉 | 嫩度 |
|---|---|
| 土豆淀粉 | 🏆 最嫩，锁水力最强 |
| 玉米淀粉 | 常规嫩肉，够用 |
| 淀粉 | 特点 |
|---|---|
| 绿豆淀粉 | 🏆 首选！晶莹剔透、爽滑有韧性（龙口粉丝传统原料） |
| 豌豆淀粉 | 软滑，适合”刮凉粉” |
| 红薯淀粉 | 劲道Q弹，酸辣粉的标配 |
| 藕粉 | 藕粉凉粉，口感特别细腻 |
| 粉 | 用途 |
|---|---|
| 澄粉（小麦淀粉） | 虾饺皮、水晶饺、肠粉、冰皮月饼（蒸后透明！） |
| 糯米粉 | 汤圆、年糕、糯米糍、驴打滚（软糯） |
| 粘米粉（大米粉） | 萝卜糕、芋头糕、肠粉、米糕（偏硬实） |
| 木薯淀粉 | 珍珠奶茶、芋圆、麻薯（Q弹关键！） |
| 藕粉 | 藕粉糕、藕粉圆子 |
]]>💡 口诀
勾芡找玉米（通用亮白），脆皮找红薯（放凉不软），上浆找土豆（最嫩锁水），凉粉找绿豆（晶莹爽滑），透明皮找澄粉（虾饺全靠它），Q弹找木薯（珍珠芋圆），软糯找糯米（汤圆年糕）。
| 种类 | 口感核心 | 常用菜系 | 关键处理 |
|---|---|---|---|
| 嫩姜 | 脆嫩微辛 | 粤、川、日 | 生食、爆香、腌制 |
| 老姜 | 辛辣浓烈 | 鲁、湘、粤 | 煸炒、炖煮、拍碎 |
| 干姜 | 辛热无水分 | 药膳、卤水 | 焙香、研磨、久煮 |
| 沙姜 | 清凉樟脑香 | 粤、卤、泰 | 研粉、浸煮 |
| 南姜 | 松脂柑橘辛 | 潮汕、东南亚 | 拍碎入卤、制酱 |
| 姜黄 | 土味微苦温和辣 | 东南亚、印度 | 磨酱、脂溶加热 |
| 泡姜 | 酸辣脆爽 | 川、黔 | 爆炒、做汤底 |
| 糟姜 | 酒香甜辣 | 江浙 | 冷拼、蒸菜、快炒 |