这篇综述考察了机器学习中使用的统计模型的参数可识别性的相关性。除了定义主要概念外，我们还讨论了与机器学习密切相关的几个可识别性问题，展示了最新研究的优缺点，并展示了最近的进展。首先，我们回顾了文献中确定模型参数结构的标准。这有三个相关问题：参数可识别性、参数冗余和重新参数化。其次，我们从理论和应用角度回顾了可识别性对机器学习各个方面的深刻影响。除了说明可识别性的效用和影响外，我们还强调了可识别性理论、机器学习、数理统计、信息理论、优化理论、信息几何、黎曼几何、符号计算、贝叶斯推理、代数几何等之间的相互作用。最后，我们提出了一个新的观点以及相关的挑战。
