内在维度
神经网络优化研究中的概念，指网络参数优化所实际需要的最小自由度数量，研究表明许多任务在远低于全参数维度的随机子空间中优化即可达到接近全参数训练的效果
核心事实
时间轴 (近 90 天)
研究采用假设检验方法构建协议，核心创新是设计了一种仅依赖于模型生成图像集合的内在维度的黑盒签名。
内在维度反映了图像数据在生成过程中的有效自由度，不同模型（基础模型、LoRA变体、其他家族）在生成图像的内在维度分布上存在差异。
通过对图像像素或特征空间做局部本征维数估计（如基于最近邻距离的MLE估计），可得到每张图像的内在维度标量，不同模型因训练目标、微调数据和架构差异会呈现可区分的统计特性。
该协议依赖于图像内在维度的稳定性，对于经过后处理或对抗性攻击的服务可能失效。
内在维度是指高维数据点实际分布所在的低维流形或子空间的维度，通常远小于环境维度。
对于在内在d*维子流形上运行的学习任务，该论文证明最优划分缩放可以达到极小极大非参数速率O(n^{-1/(d*+2)}√ln n)。
全部知识事实 (7)
流形假说认为真实世界的高维数据实际上分布在嵌入于高维空间的低维流形上
65%待验证研究采用假设检验方法构建协议，核心创新是设计了一种仅依赖于模型生成图像集合的内在维度的黑盒签名。
50%待验证通过对图像像素或特征空间做局部本征维数估计（如基于最近邻距离的MLE估计），可得到每张图像的内在维度标量，不同模型因训练目标、微调数据和架构差异会呈现可区分的统计特性。
50%待验证该协议依赖于图像内在维度的稳定性，对于经过后处理或对抗性攻击的服务可能失效。
50%待验证内在维度反映了图像数据在生成过程中的有效自由度，不同模型（基础模型、LoRA变体、其他家族）在生成图像的内在维度分布上存在差异。
50%待验证内在维度是指高维数据点实际分布所在的低维流形或子空间的维度，通常远小于环境维度。
50%待验证对于在内在d*维子流形上运行的学习任务，该论文证明最优划分缩放可以达到极小极大非参数速率O(n^{-1/(d*+2)}√ln n)。
50%