[論文レビュー] Phylogenetics of Indo-European Language families via an Algebro-Geometric Analysis of their Syntactic Structures

Kevin Shu, Andrew Ortegaray+2 more|arXiv (Cornell University)|Dec 5, 2017

Language and cultural evolution参考文献 35被引用数 4

ひとこと要約

本稿では、SSWLおよびLongobardiデータベースからの syntax 的データを用いて、インド・ヨーロッパ語族の系統的関係を再構築するために系統的代数幾何学を応用している。文法的パラメータを2値変数としてモデル化し、代数的多様体上の系統的不変量およびユークリッド距離を計算することで、データに最も適合する木構造を同定し、従来の手法よりも高い精度で言語進化における幾何的制約と歴史的パターンを明らかにした。

ABSTRACT

Using Phylogenetic Algebraic Geometry, we analyze computationally the phylogenetic tree of subfamilies of the Indo-European language family, using data of syntactic structures. The two main sources of syntactic data are the SSWL database and Longobardi's recent data of syntactic parameters. We compute phylogenetic invariants and likelihood functions for two sets of Germanic languages, a set of Romance languages, a set of Slavic languages and a set of early Indo-European languages, and we compare the results with what is known through historical linguistics.

研究の動機と目的

• 文法的データを用いた歴史言語学における系統的再構築のための代数的幾何学的フレームワークを構築・適用すること。
• ハミング距離やネイバー・ジョイニングといった従来手法の限界を、確率分布にかかる幾何的制約を活用することで克服すること。
• ゲルマン語族、ラテン語族、 Slav語族、および初期インド・ヨーロッパ語族の既知の言語学的分類と照らし合わせて、本手法の結果を比較すること。
• 観測されたデータ点が系統的多様体上での位置が、歴史的な文法的進化および潜在的な亜語族の分岐をどのように符号化しているかを明らかにすること。
• 代数的多様体の幾何的分析を通じて、系統的進化モデル（木構造型 vs. ネットワーク型）との適合性を評価すること。

提案手法

• SSWLおよびLongobardiデータセットから得られる文法的構造を、2値変数（文法的パラメータ）としてモデル化する。
• 言語家族を、言語に対応する葉がラベル付けされた系統的木として表現し、内部ノードを祖先状態として扱う。
• 言語間における文法的特徴の観測確率分布からフラットネイング行列を構築する。
• 木モデル下での期待分布を表す形式 $\mathcal{D}_2(a,b)$ の多様体へのユークリッド距離を計算する。
• フラットネイング行列の特異値分解を用いて、代数的多様体への適合度を測るための二乗距離 $\sigma_3^2 + \cdots + \sigma_a^2$ を計算する。
• 多様体 $V_T$ の実数的・非負の部分多様体 $V_T(\mathbb{R}_+)$ 上での観測データ点 $x_{T,P}$ の幾何的位置を分析し、進化パターンおよび亜語族の適合性を推論する。

実験結果

リサーチクエスチョン

• RQ1 代数的幾何学的手法は、既知の歴史言語学的分類と整合するインド・ヨーロッパ語族の系統的木を再構築できるか？
• RQ2 観測データ点が系統的多様体 $V_T$ 上での幾何的位置が、歴史的な文法的進化および亜語族関係をどのように反映しているか？
• RQ3 代数的幾何学的手法の結果は、ハミング距離やネイバー・ジョイニング法の結果とどの程度異なっているか、あるいはそれらをどのように改善しているか？
• RQ4 幾何的部分多様体や期待される多様体からの逸脱を通じて、交雑や網状的関係といった木構造でない進化の兆候を同定できるか？
• RQ5 パラメータの独立性が系統的多様体の幾何に果たす役割は何か？また、パラメータの再重み付けはモデルへの適合度にどのように影響するか？

主な発見

• 代数的幾何学的手法は、ゲルマン語族、ラテン語族、スラブ語族、および初期インド・ヨーロッパ語族の系統的木を、既知の歴史言語学的分類と整合する形で成功裏に再構築した。
• Longobardiのゲルマン語族データに対して、本手法は木構造 $T_5$ を最良の適合と特定し、フラットネイング行列 $F_5^t$ に対して二乗距離 $\sigma_3^2 + \cdots + \sigma_7^2 = 0.00014$ を得た。
• SSWLのゲルマン語族データに対しては、本手法は最良の木として $T_6$ を選択し、$F_6^t$ に対して二乗距離 $\sigma_3^2 + \cdots + \sigma_7^2 = 0.00018$ を得た。これはモデル多様体への良好な適合を示している。
• データ点 $x_{T,P}$ が多様体 $V_T(\mathbb{R}_+)$ 上での位置に、言語家族ごとに明確な幾何的パターンが見られ、文法的特徴の獲得における異なる進化ダイナミクスを示唆した。
• フラットネイング行列の分析から、観測データが期待される多様体に近く、分析された言語群に対して木モデルの妥当性が支持された。
• 本手法は、交雑やネットワークモデルとも適合可能であり、幾何的形式主義により、より複雑な多様体を用いることで、木構造でない進化シナリオへの拡張が可能であることが示された。