各向同性舍入即居中并拉平各方向方差
各向同性舍入要解决的问题是：寻找一个仿射坐标变换，使分布居中，并让它在各个方向上的方差大致相当。对于一个满维概率测度，若其均值为 m、协方差为 A，则当 m = 0 且 A 等于单位矩阵 I_n 时，该测度是各向同性的。论文要求的是带固定常数的近似版本：一对 (T, z)，其中 T 可逆，若 Y = T(X − z) 满足 (1/2)I_n ⪯ Cov(Y) ⪯ 2I_n 且 ‖E Y‖₂ ≤ 1/2，则称该对舍入了一个测度。
对于凸体 K，目标是其均匀概率测度。算法只被给予一个成员预言机，它回答某个查询点是否落在 K 内，外加半径 0 < r ≤ R 满足 rB₂ⁿ ⊆ K ⊆ RB₂ⁿ。这一归一化很重要，因为查询界取决于输入的几何形状，而论文用维度 n 和长宽比 R/r 来衡量其保证。
随机算法用 Õ(n³) 次查询舍入任意承诺凸体
定理 1.2 指出，存在一个随机成员预言机算法，给定 rB₂ⁿ ⊆ K ⊆ RB₂ⁿ，它以至少 5/6 的概率返回满足近各向同性条件的一对 (T, z)，使用 Õ(n³) 次查询。这里 Õ(f) 表示 O(f log^C(2 + nR/r))，其中 C 是某个绝对常数，因此该界可能带有维度和长宽比的固定对数幂次。
同样的 Õ(n³) 上界可推广到对数凹分布，只要它们由凸势函数求值预言机、水平集内的一个已知球以及一个二阶矩界给出。论文在定理 4.1 中给出了该推广的精确假设。
采样器把协方差依赖改进为平方根
上界背后的关键引理涉及的是采样，而非直接舍入。若 B(0,1) ⊆ K 且 Cov(Unif(K)) ⪯ κI_n，其中 κ ≥ 1，则从一个被均匀密度常数倍所界的初始密度出发做近似均匀采样，需要 Õ(n²√κ) 次期望成员查询。其保证是任意给定的全变差误差 ε ∈ (0, 1/2)，如定理 4.2 所述。
这是论文在采样上的主要改进。对于一个包含单位球的凸体，当 A ⪯ κI 时，标准球行走从常数温启动出发每个样本使用 Õ(n²κ) 次查询，因此新界把对 κ 的线性依赖替换为平方根依赖。当凸体近各向同性时 κ = O(1)，采样器代价变为 n 的二次。
反射动理学动力学提供采样保证
论文通过模拟反射动理学动力学来证明采样器界，使用了 Eberle 和 Lörler 的分析。其实现使用成员查询，随后将所得采样器与 Jia、Laddha、Lee 和 Vempala 关于舍入良圆凸体的思想结合，得到 Õ(n³) 次查询的舍入算法。
这一结合很重要，因为该舍入算法并不假设目标在冷却后仍保持良圆。相反，高斯冷却算法在更弱的矩条件下舍入每个新目标。论文还报告称，第 4 节的算法是在 2026 年 9 月中旬通过提示 GPT 6 Astra 进一步改进手稿而得到的，作者正在调查这是如何发生的，因为该路线跳过了早期版本中的大部分步骤，且在获得它之后不久，无论直接提示还是让 GPT 处理该命题，都无法复现。
匹配下界在多项式长宽比下依然成立
定理 1.3 指出，对所有充分大的 n，存在已知半径 r_n 和 R_n，满足 R_n/r_n = n^{O(1)}，使得任何在每个承诺凸体上以至少 2/3 概率满足近各向同性条件的随机算法，在最坏情况期望下需要 Ω̃(n³) 次成员查询。第 5 节证明了显式的 Ω(n³/log² n) 界，并在定理 5.1 中给出了这些半径。
下界构造使用带小共同平移的高斯多胞形的极体。这些凸体的协方差近似等于标量矩阵，但其质心指向一个未知方向。成功的舍入映射必须定位该质心，从而以常数精度揭示隐藏方向。恢复该方向需要 Ω(n) 的互信息，而 q 次自适应查询的答案至多包含 O(q log² n / n²) 的互信息，于是 q = Ω(n³/log² n)。由于上界算法以 5/6 > 2/3 的概率成功，该下界同样适用于其成功保证。
将椭球加倍可能破坏协方差保证
论文否证了此前相关工作中关于椭球增长的一个猜想。Jia、Laddha、Lee 和 Vempala 猜想：将一个与凸体交集近各向同性的椭球加倍，会使该交集保持良圆。论文在第 B 节给出了一个对称反例。
该构造表明，即使对于对称凸体，交集一开始可以是各向同性的，协方差迹等于 n，而在放大之后协方差迹为 Ω(n²)。对充分大的 n，放大后的交集协方差不再 ⪯ 2I_n，因此在这些坐标下不再满足近各向同性定义。该反例也否证了此前工作中猜想的更弱迹界，即当 A_{K∩E} = I_n 时是否有 tr A_{K∩2E} = Õ(n)。论文指出，这排除了所提出的采取更大椭球增长步骤的方式。
体积估计继承三次查询界
舍入结果直接服务于体积估计。Cousins 和 Vempala 给出一个成员预言机算法：对于包含单位球且二阶矩为 O(n) 的凸体，它以任意固定常数成功概率，使用 Õ(n³ε^{−2}) 次查询将体积估计到相对误差 ε ∈ (0, 1)。推论 4.7 在应用舍入映射后检验了这些几何假设。
两者结合，对每个满足 rB₂ⁿ ⊆ K ⊆ RB₂ⁿ 的凸体给出同样的 Õ(n³ε^{−2}) 查询界。论文将其与 Rademacher 和 Vempala 的 Ω̃(n²) 成员查询下界作对比，后者针对相对误差为足够小常数的随机体积近似，即使对多项式长宽比的平行体也成立。因此，三次上界与二次下界之间的差距并未被这项工作弥合。
三次界是论文的核心比较
最具决策相关性的结果是这对匹配界：对任何已知半径的凸体，Õ(n³) 次查询足以完成舍入；即使 R/r = n^{O(1)}，Ω̃(n³) 次查询也是必要的。此前的舍入算法区分一般输入与良圆凸体。Jia、Laddha、Lee 和 Vempala 给出了舍入良圆凸体的近三次算法，并利用 Kannan–Lovász–Simonovits 常数的对数多项式界给出一般舍入界 Õ(n^{7/2})。Kook 和 Vempala 对一般对数凹分布得到 Õ(n^{7/2}) 舍入。
从 n^{7/2} 到 n³ 的改进来自采样器对协方差界的平方根依赖，正是它使高斯冷却算法能在更弱的矩条件下舍入每个新目标，而不必假设目标在冷却后仍保持良圆。对椭球增长的反例则排除了采取更大椭球增长步骤这一替代路线。因此，比较舍入算法的读者应分别追踪两个量：舍入步骤本身的查询界，以及舍入步骤所依赖的采样器的协方差依赖。论文的贡献在于改进后者，并表明前者无法在对数多项式因子之外进一步改进。
本文引用的文献
Near-Optimal Oracle Bounds for Isotropic Rounding
论文给出一个随机成员预言机算法，使用 Õ(n³) 次查询将任意凸体 rB₂ⁿ ⊆ K ⊆ RB₂ⁿ 舍入到近各向同性位置，证明了即使 R/r = n^{O(1)} 时也匹配的 Ω̃(n³) 下界，并否证了此前工作中关于椭球增长的一个猜想。