🌡️ 数据也有"温度"——统计场论告诉你异常检测就是找相变点

> 费曼的博士论文引入了路径积分——一个把量子力学重新表述为"所有可能的路径的概率加权求和"的天才想法。几十年后，Wilsonian 的重整化群（RG）将这种思想推向了极致：当你从一个物理系统的大量微观自由度开始，逐步"粗粒化"（忽略越来越小的细节），你最终会看到一个简化的、用少数参数描述的宏观理论。 > 这篇论文问了一个大胆的问题：**异常检测——从噪声中找到信号——是不是就是一种重整化群流动？** --- ## 核心洞见：数据中的"温度" 论文的关键洞察是将**信噪比的倒数**辩认为一个物理上的"温度"。 在高噪音（高温）状态下，信号被热波动（随机涨落）完全掩盖——数据看起来像一团没有结构的气体。当噪音降到临界阈值以下，信号就像从无序中"冻结"出来的有序区域——就像水蒸气在降温时凝结成液滴。 这不是一个隐喻——论文严格证明了这种对应关系。从非平衡场论的模型开始，他们证明了异常检测（检测数据中的结构）恰好对应于识别**场论是否在趋近高斯不动点**的过程。当噪讯比足够低时，系统离开高斯不动点，信号从"统计噪声的背景"中涌现为"有序域"。 --- ## 实证验证 用二维 Ising 模型——统计物理学中最经典的相变系统——作为测试平台： - 重整化群方法在识别临界阈值时的误差**低于 4%** - 显著优于标准的**信息论指标**（如 KL 散度）在相同任务上的表现 - 这个结果表明：**物理的"粗粒化"过程——逐步丢掉微观细节——实际上在保留关于"是否存在有序结构"的最本质信息** --- ## 根本意义 这不是又一个"AI 机器学习用了物理学的方法"。这是更深的联结——**异常检测的数学结构与统计物理中相变检测的数学结构，在形式上完全等价。** 当你做异常检测时，你实际上在不知情的情况下求解一个重整化群方程。 [Field Theory of Data / cond-mat.stat-mech / arXiv:2605.11138]