Fisher 近似为何误判弱约束方向
实际可识别性问的是：数据能否把模型参数限定在有限范围内。常用的金标准是剖面似然：固定一个参数、反复重新优化模型来回答这个问题，但对高维生物系统而言代价高到难以承受。一种更省算力的替代做法，是用模型雅可比矩阵构造的 Fisher 信息矩阵取代损失函数的 Hessian，但这一步丢掉了模型输出的二阶曲率。
论文的论点是：恰恰在可识别性存疑的地方，被丢弃的这一项最关键。沿弱约束的参数方向，Fisher 信息很小，被忽略的 Hessian 贡献可能与它相当甚至更大。于是，一个参数可能被标为不可识别，尽管二阶曲率对它构成约束；其不确定性也可能被误判超过一个数量级。作者保留完整的损失 Hessian K = F + r*⊗H，其中 F 是 Fisher 矩阵，H 是堆叠观测的 Hessian 张量，r* 是拟合参数处的残差。
稳定性阶数取决于残差与扰动大小
论文把可识别性定义为估计参数在数据扰动下的稳定性：每个受扰动的极小点都必须与原始估计保持受控距离。残差为零时，损失 Hessian 退化为 Fisher 矩阵。若该矩阵奇异，位移会分成两部分：一部分位于值域内，由雅可比矩阵以 Lipschitz 速率控制；另一部分位于零空间，Fisher 矩阵对它不施加约束，只有 Hessian 张量在 Fisher 零空间上的强制性为正时，才以 Hölder-1/2 速率控制它。当 Fisher 矩阵满秩时，Lipschitz 速率重新出现。
残差不为零会改变这一图景。r*⊗H 这一项抬高了 Fisher 矩阵的弱特征值，损失 Hessian 变为正定，从而给出 Lipschitz 稳定性。在这两种极限之间，残差范数与扰动大小共同决定阶数：低于与残差范数成正比的交叉尺度时为 Lipschitz，高于它时为 Hölder-1/2。这是论文光滑性假设下的局部行为陈述，并不表示每个生物模型都会达到其中某一速率。
让其余参数自由变化的单坐标检验
对单个参数，论文在最小二乘损失的局部二次近似内工作，并通过广义 Schur 补消去其余参数。由此得到每个坐标的剖面曲率 κ 和 Lipschitz 系数 L，该坐标可识别当且仅当 κ 为正。这一构造容许雅可比矩阵奇异，也容许冗余的 Hessian 分块，因此不要求整个参数向量性质良好。
与基于子集的筛选方法的区别是关键所在。Quaiser 和 Yao 方法评估的是：在固定或排除其余参数的前提下，某个参数子集是否可估计；因此保留一个参数，并不能证明它在全部参数自由时也可识别。新判据在其余参数全部自由的情况下评估每个坐标，作者据此认为它无需反复优化就能复现剖面似然的分类。
JAK–STAT 显示 Fisher 高估敏感度
JAK–STAT 信号通路基准用两个可观测量的时间序列拟合七个未知量：四个动力学参数、两个缩放因子和一个初始条件。剖面似然判定 p1、p3 和 p4 为实际可识别，其剖面在两侧都越过置信阈值；而 p2、s1、s2 和 x1(0) 的剖面是平坦的。所提判据仅凭局部雅可比和 Hessian 就给出相同划分：三个可识别坐标的 Lipschitz 系数有限，其余四个曲率为零、系数无界。
对可识别的坐标，考虑 Hessian 的系数小于对应的 Fisher 系数，p3 处最明显，说明 Fisher 近似高估了这些估计对数据扰动的敏感度。子集方法则出现分歧：Quaiser 方法剔除 p2 和 x1(0)，保留 s1 和 s2；阈值取 0.04 的 Yao 方法只排除 s2。两者都保留了在完整剖面下表现平坦的参数。
二阶分析区分了四个不可识别坐标背后的两种机制。沿一个特征方向，一阶曲率、强制性和残差诱导曲率都在数值精度内消失；这是一个使两个可观测量都不变的缩放对称性，因此不适用任何稳定性速率。沿另一个弱方向，一阶曲率约为 10^-6，而残差项和强制性项约为 10^-3 量级，因此该方向受 Fisher 信息弱约束，但受 Hessian 约束。噪声水平位于交叉尺度之上，在数据的分辨率下把该方向置于 Hölder 区间。
HIV 患者间校正幅度差异明显
HIV 宿主–病毒模型有六个参数，描述靶细胞更新、感染、病毒产生和清除，用两名峰值后轨迹相反的患者的对数血浆病毒载量进行拟合。对患者 3，校正后与 Fisher Hessian 的四个最大特征值高度一致，但最小特征值在校正后上升近三个数量级。变化集中在约束最弱的方向，而特征向量取向变化很小，最大成对扰动约为 1.1×10^-2。
对患者 8，两个特征值谱几乎重合。作者用一个诊断量概括这一对比，把校正后与 Fisher 的不确定性估计同 MCMC 结果比较：该诊断量低于 1 时 Fisher 近似足够，远高于 1 时它高估了区间宽度。实际启示是：残差曲率必须对照局部信息结构来判断，而不能只看特征向量的变化；校正幅度是患者特异的，并非模型的固定属性。
淀粉样蛋白预测区间在时间上移动
在淀粉样蛋白（Aβ）累积的应用中，论文把二次参数后验传播通过模型，得到预测区间。校正后的 Hessian 谱出现明显谱隙，作者据此把阈值以下的特征子空间视为有效零空间。该子空间正则化贡献的差异，把最窄预测区间的年龄从 84.36 岁移到 80.73 岁，移入 Aβ 快速累积的时期。
这一结果之所以重要，是因为它把参数层面的校正与一个临床上可读的量联系起来：最小预测不确定性出现的时间。它也划出一条边界：论文区分精确零空间与由谱截断定义的子空间，并指出 sloppiness（敏感性的层级结构）本身并不构成实际不可识别的证据。这里的阈值划分之所以站得住，是因为确实存在明显谱隙，而不是因为截断普遍安全。
Hessian 校正何时改变判断
论文的重点是对可识别性作考虑残差的解读。当校正后与未校正的信息结构几乎重合时，Fisher 近似足够，例如患者 8 和 JAK–STAT 中约束良好的坐标。当最小特征值被显著抬高（如患者 3），或某个弱方向由二阶曲率而非一阶敏感度约束时，它会改变判断。在这些情况下，相关的问题不只是参数是否可识别，还包括它在什么稳定性速率下、在什么扰动尺度上可识别。
该框架只需要局部导数计算，这正是它在大模型上可行的原因——在这些模型中剖面似然难以承受。其结论仍是局部的，并依赖损失的二次近似，因此作者指出，在该近似失效之处需要更高阶分析。对建模者最有用的启示是：在信任基于 Fisher 的可识别性标签之前，先比较校正后与 Fisher 的谱以及残差范数，因为决定标签的方向，往往正是 Fisher 矩阵约束最弱的方向。
本文引用的文献
Unveiling Scaling Laws of Parameter Identifiability and Uncertainty Quantification in Data-Driven Biological Modeling
保留完整的损失 Hessian，可在 Fisher 信息退化且残差为零时给出 Hölder-1/2 稳定性，并在与残差成正比的交叉尺度以下给出 Lipschitz 稳定性；由此得到的坐标判据在 JAK–STAT 中复现了剖面似然分类，并在 HIV 和淀粉样蛋白模型中校正了基于 Fisher 的不确定性。