Slater 条件是凸优化理论中的一个约束规范，要求存在严格可行点（即满足所有不等式约束且至少一个不等式取严格不等号），它是强对偶性成立和 KKT 条件有效性的经典充分条件。随着神经网络被越来越多地嵌入凸优化问题（如神经凸约束满足、变分蒙特卡洛等方向），这一经典概念正在机器学习研究中获得新的应用场景。
Slater 条件在神经凸约束中的近期进展
当前焦点与观察点
Slater 相关讨论的核心争议在于：经典约束规范在神经网络的非光滑、大规模设定下是否仍然适用。一是当网络参数与优化约束耦合时，严格可行点是否存在往往难以验证；二是 KKT 条件在深度模型中的解释力仍缺乏统一结论。观察点包括：神经凸约束满足类工作是否会形成标准化的约束规范检验流程，以及变分蒙特卡洛等领域的稳定性分析是否会系统性地借鉴 Slater 条件与强对偶框架。总体来看，这一方向的进展仍以理论论文为主，尚未出现广泛的工程落地，短期内更值得关注的是凸优化与深度学习交叉处的理论收敛趋势。