[論文レビュー] Machine-Learning the Sato--Tate Conjecture

Yang‐Hui He, Kyu‐Hwan Lee+1 more|arXiv (Cornell University)|Oct 2, 2020

Cryptography and Residue Arithmetic参考文献 27被引用数 5

ひとこと要約

本稿では、ハイパーエリプティック曲線のL関数からの正規化されたオイラー因子をわずかに使用することで、ベイジアン機械学習を用いてSato–Tate群を分類する手法を提案する。この手法は、楕円曲線および genus 2 曲線における一般および非一般のSato–Tate群を区別する際に99–100％の正確性を達成し、標準的なラップトップで1秒未塔で分類が可能であり、従来のモーメントベースの手法に比べてデータ効率が優れている。

ABSTRACT

We apply some of the latest techniques from machine-learning to the arithmetic of hyperelliptic curves. More precisely we show that, with impressive accuracy and confidence (between 99 and 100 percent precision), and in very short time (matter of seconds on an ordinary laptop), a Bayesian classifier can distinguish between Sato-Tate groups given a small number of Euler factors for the L-function. Our observations are in keeping with the Sato-Tate conjecture for curves of low genus. For elliptic curves, this amounts to distinguishing generic curves (with Sato-Tate group SU(2)) from those with complex multiplication. In genus 2, a principal component analysis is observed to separate the generic Sato-Tate group USp(4) from the non-generic groups. Furthermore in this case, for which there are many more non-generic possibilities than in the case of elliptic curves, we demonstrate an accurate characterisation of several Sato-Tate groups with the same identity component. Throughout, our observations are verified using known results from the literature and the data available in the LMFDB. The results in this paper suggest that a machine can be trained to learn the Sato-Tate distributions and may be able to classify curves much more efficiently than the methods available in the literature.

研究の動機と目的

• ハイパーエリプティック曲線のSato–Tate群を分類するデータ駆動型の機械学習的手法を構築すること、特にgenus 1およびgenus 2の曲線を対象とする。
• 従来のモーメントベースの手法に比べ、Sato–Tate群の特定に必要なデータ量を削減すること、これらの手法は大規模なサンプルサイズに依存している。
• オイラー因子データからSato–Tate分布を学習し予測するための機械学習の可能性を検証すること。
• ランダム行列アンサンブルで学習した分類器が、LMFDBからの実際の曲線データに一般化可能かどうかを検証すること、特にレアなSato–Tate群に対して。
• 数論における算術的対象の分類を自動化・高速化するための機械学習の可能性を探索すること。

提案手法

• Genus 1およびgenus 2の曲線の正規化されたオイラー因子係数（a₁,p, a₂,p）を用いて、LMFDBおよびランダム行列アンサンブルからのデータでベイジアン分類器を学習する。
• レアなSato–Tate群のため、各Sato–Tate群のハール測度に対応するランダム行列から合成訓練データを生成する。
• 分類器は最初の200個の素数の正規化されたオイラー係数のみを入力とし、モーメント統計の必要性を回避する。
• データ効率を評価するために、訓練に使用する係数ペアの数を段階的に増加させた学習曲線分析を実施する。
• Genus 2における一般Sato–Tate群（USp(4)）と非一般Sato–Tate群との分離を可視化するために主成分分析を適用する。
• 分類器の妥当性を確認するため、LMFDBに記載された既知のSato–Tate群と比較し、多クラス分類のための混同行列を用いる。

実験結果

リサーチクエスチョン

• RQ1 オイラー因子のわずかな数のみを用いて、機械学習モデルがgenus 1およびgenus 2の曲線のSato–Tate群を正確に分類できるか？
• RQ2 オイラー因子に基づくベイジアン分類器の性能は、従来のモーメントベースの手法と比較して、データ効率および正確性の観点でどのように異なるか？
• RQ3 ランダム行列アンサンブルで学習したモデルは、特に稀なSato–Tate群に対して、LMFDBからの実際の曲線データに一般化可能か？
• RQ4 同じアイデンティティ成分を持つSato–Tate群（例：genus 2におけるJ(En)群）を機械学習がどの程度正確に区別できるか？
• RQ5 最小限の訓練データで高い精度と信頼性を達成できるか、また信頼性のある分類に必要なオイラー因子の数はどの程度か？

主な発見

• ベイジアン分類器は、20–30個のオイラー因子係数ペアのみを用いて、非一般Sato–Tate群N(G₁,₃)とN(G₃,₃)を100％の正確性で区別した。
• J(En)群（n ∈ {1,2,3,4,6}）の5クラス分類において、分類器は98.59％の正確性と0.9814の信頼度を達成し、71件のテストケースのうち1件のみが誤分類された。
• 学習曲線の結果、正確性が約10個の係数ペアで90％を超え、30個のペアで100％に達するなど、極めて少ないデータで急速に収束することが示された。
• 従来のモーメントベースの手法（0.1％の誤差を達成するにはN ≈ 2²⁰が必要）に比べ、本手法はN ≈ 2¹⁰のデータで高い正確性を達成した。
• 主成分分析により、genus 2における一般Sato–Tate群USp(4)と非一般群との分離が成功し、本手法の識別力が裏付けられた。
• 結果から、機械学習を用いてSato–Tate分布を学習し、現在の文献手法よりもはるかに効率的に曲線を分類できる可能性が示唆された。