把同一张照片裁一裁、换个颜色，AI 仍应认出它们是同一个对象。对比学习正靠这种“找相同”来学习特征，但一个关键问题一直没讲透：这些人为制造的关联，真的能保留数据原本的结构吗？
据 JMLR 论文，Chenghui Li 与 A. Martina Neuman 把增强版本视为相连节点，组成“增强图”。他们证明，在特定的数据生成与图连通条件下，随着增强样本增多，描述这张图连接结构的图拉普拉斯，会收敛到描述自然数据流形的加权 Laplace–Beltrami 算子。流形可以理解为高维数据背后那张低维的“弯曲底图”；逐点一致性和谱一致性则表明，增强图不仅局部算得准，其整体数学结构也能捕捉这张底图的几何。
更重要的是，作者据此建立神经网络逼近框架，回应谱对比学习理论里悬而未决的“可实现性假设”——理论上最优的表示，网络是否真的有能力表达。结论有明确边界：保证依赖特定的数据生成和图连通条件，并非对所有增强方式都自动成立。