The Dimension of Nonterminating Resampling Computations

1. 一句话总结 该论文从算法信息论与分形几何视角，严格刻画了随机算法在“几乎必然终止”前提下，导致无限运行的异常随机序列的生存概率尾迹、柯尔莫哥洛夫复杂度与豪斯多夫维数。

2. 核心创新点 首次将豪斯多夫维数与柯尔莫哥洛夫复杂度引入随机算法终止性分析，量化刻画了导致非终止的“异常随机带”集合的几何与信息特征。通过幂次修复矩阵交换性定理，统一了传统终止控制（s=1）与弱随机源稳定性分析，并在非预期选择器下给出了均匀概率界限。

3. 潜在应用场景 主要聚焦开发工具与教育：可为概率编程语言（如Pyro/Stan）或随机采样库提供“长尾不收敛”诊断模块与随机性质量评估插件；个人开发者可基于其定理构建轻量级随机序列复杂度检测工具、Jupyter可视化教学组件或开源形式化验证脚本，直观展示不同随机源对算法终止行为的影响。（注：因属底层理论，直接面向适老化/IoT/传感器的工程场景较弱，但可为边缘端轻量随机算法的可靠性边界设计提供数学依据。）

4. 在AI知识体系中的位置 属于AI基础理论/算法信息论与概率计算交叉领域。与Probabilistic Programming（概率编程）、Monte Carlo采样理论及AI形式化验证高度相关，为LLM采样策略（如Temperature/Top-p）、强化学习探索机制及随机优化算法的收敛性分析提供底层数学支撑。与知识库中概率推理结构参数评估研究[3]同属概率计算可靠性范畴，但本文更侧重算法终止性的信息论与分形刻画。

5. 推荐指数 ★★★☆☆（3星） 理由：新颖性高（分形几何+算法复杂度跨界分析随机终止性，视角独特）；实用性中低（纯理论突破，距工程落地较远，但长期对概率AI系统可靠性设计有指导价值）；前瞻性强（为弱随机源、自适应采样下的计算稳定性提供统一可验证框架）；个人可参与度中等，不适合直接开发业务应用，但非常适合算法理论研究者、概率编程工具开发者或技术教育者切入，可通过开发开源检测插件、撰写深度解读或构建可视化教学项目参与。

来源：https://arxiv.org/abs/2607.17469v1