arXiv 于 2026 年 6 月 22 日发布了一篇题为《The Degeneracy Distillery》的机器学习论文（编号 arXiv:2606.23838v1，cs.LG 类别），作者为 T. Lucas Makinen 等四人，全文 30 页、含 10 张图，并提供了配套代码链接。论文关注的是一类在物理建模和统计推断中普遍存在却常被忽视的现象：简并性（degeneracy）。当两个或多个参数或标签产生相似的数据时，它们之间就难以区分，这种情况会同时给标签预测和逆问题带来困难，因为机器学习算法与概率采样器都依赖数据及其关于参数梯度的可区分性。另一方面，作者指出，识别物理模型或真实数据集中的简并性本身也具有启发意义，能够帮助研究者判断模型选择是否合理，或理解生成数据 underlying 的过程。
针对这一问题，论文提出了名为“degeneracy distillery”（简并蒸馏器）的方法。该方法只需参数-数据对或参数-仿真对，就能自动地、并以符号形式完成两件事：一是检测简并的参数组合，二是消解这些简并。其核心手段是估计并“压平”Fisher 信息矩阵。作者通过考察似然函数的信息几何结构，把简并性刻画为物理模型的一种内在属性，因此分析过程不需要任何已实现的数据观测即可进行。
论文在多种合成问题与真实问题上验证了该方法的有效性。实验发现，方法能够给出符号形式的坐标变换，从而识别出模型中哪些参数组合会对数据产生相互独立的影响。由这些坐标构成的变换在期望意义上全局压平 Fisher 信息，这与仅能在单点处压平的后验方法形成鲜明对比。
在实际收益方面，该方法显著降低了下游神经后验估计所需的仿真预算：在测试案例中，为达到同等验证校准水平，后验估计所需的仿真次数最多可减少 10 倍，同时还能获得关于系统的物理洞见。论文还给出了提交历史（2026 年 6 月 22 日 18:18:09 UTC 提交 v1 版本，文件大小约 1,722 KB）、DOI 以及 INSPIRE HEP、NASA ADS、Google Scholar 等文献检索入口信息，并说明相关代码可在论文给出的链接中获取。