摘要
1) 一句话总结 DeepMind的研究深入探讨了非归一化算法信息距离（）的理论特性，证明了其可通过简单修改成为精确度量，并界定了其非全局但局部的欧几里得特性。
2) 关键要点
- 研究背景源于基于柯尔莫哥洛夫复杂性（Kolmogorov complexity）的通用归一化信息距离。
- 研究核心对象为非归一化算法信息距离（）。
- 通过对 进行简单修改，可以消除通常存在的附加松弛项，使其成为精确的度量标准（exact metric）。
- 明确了 在全局层面上不属于欧几里得距离。
- 证明了 在 的某些任意大的有限子集上能够表现出局部欧几里得特性。
- 该研究的主要贡献在于奠定理论基础，为未来探索 的更多特性提供了必要的理论框架和研究工具。
3) 风险/缺口
- 现阶段工作主要为基础性理论铺垫，文中明确指出仍有一些关于 的开放性问题（open problems）有待未来解决。
正文
基于柯尔莫哥洛夫复杂性（Kolmogorov complexity）的通用归一化信息距离（Normalized Information Distance）具有独立于领域的特性。在实际应用中，其近似形式已被成功应用于解决各种复杂的聚类问题。本文（研究来源：DeepMind）将深入探讨非归一化算法信息距离（）的理论特性。
精确的度量标准
研究指出，只需对非归一化算法信息距离 进行简单的修改，就可以使其成为一个精确的度量标准（exact metric），从而消除通常存在的附加松弛项（additive slack）。
欧几里得特性的界定
关于 的核心研究结果主要包括以下两点：
- 非全局欧几里得距离： 本身并不是一种欧几里得距离（Euclidean distance）。
- 局部欧几里得特性：在 的某些任意大的有限子集上， 能够表现出欧几里得特性。
核心贡献与未来展望
尽管上述结论乍看之下可能并不十分惊艳，但这项工作现阶段的主要贡献在于奠定了基础。它为未来探索 更多、更有趣的特性提供了必要的理论框架和研究工具，同时也在文中提出了一些有待解决的开放性问题（open problems）。