[논문 리뷰] Phylogenetics of Indo-European Language families via an Algebro-Geometric Analysis of their Syntactic Structures

Kevin Shu, Andrew Ortegaray외 2명|arXiv (Cornell University)|2017. 12. 05.

Language and cultural evolution참고 문헌 35인용 수 4

한 줄 요약

이 논문은 SSWL 및 Longobardi 데이터베이스의 문법적 자료를 이용하여 인도유럽어족 가문 간의 진화적 관계를 재구성하기 위해 계통발생 대수기하학을 적용한다. 문법적 변수를 이진 변수로 모델링하고, 대수다양체 위에서 계통발생 불변량과 유클리드 거리를 계산함으로써, 데이터에 가장 잘 맞는 트리 구조를 식별하여, 전통적 방법보다 더 정밀한 기하적 제약과 언어 진화의 역사적 패턴을 드러낸다.

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.

연구 동기 및 목표

• 역사적 언어학에서 문법적 자료를 이용하여 계통발생 재구성에 대한 대수기하학적 프레임워크를 개발하고 적용하는 것.
• 해밍 거리나 이웃합치기 방법과 같은 전통적 방법의 한계를 확률 분포에 대한 기하학적 제약을 활용하여 극복하는 것.
• German어족, 라틴어족, 슬라브어족 및 초기 인도유럽어족 언어에 대해 이 방법의 결과를 알려진 역사적 언어학 분류와 비교하는 것.
• 관측된 데이터 포인트가 계통발생 다양체 위에 위치함으로써 역사적 문법적 진화와 잠재적 가문 분열을 어떻게 암호화하는지 탐구하는 것.
• 대부분의 계통발생 모델이 트리 모양인지 네트워크 모양인지에 대한 기하학적 분석을 통해 데이터의 적합성을 평가하는 것.

제안 방법

• SSWL 및 Longobardi 데이터셋에서 유도된 문법적 변수(문법적 매개변수)를 이진 변수로 모델링한다.
• 언어 가문을 잎이 언어에 대응하고 내부 노드가 공통 조상 상태를 나타내는 계통발생 트리로 표현한다.
• 언어 간의 문법적 특성의 관측된 확률 분포에서 평탄화 행렬을 구성한다.
• 트리 모델 하에서의 기대 분포를 나타내는 형태의 다양체 $\mathcal{D}_2(a,b)$에 대한 평탄화 행렬로부터 유클리드 거리를 계산한다.
• 평탄화 행렬의 특이값 분해를 통해 대수다양체에 대한 적합도 측정치로 제곱거리 $\sigma_3^2 + \cdots + \sigma_a^2$ 를 계산한다.
• 다양체 $V_T$ 의 실수이자 음이 아닌 국소 $V_T(\mathbb{R}_+)$ 상의 관측된 데이터 포인트 $x_{T,P}$ 의 기하학적 위치를 분석하여 진화 패턴과 가문 간 호환성을 추론한다.

실험 결과

연구 질문

• RQ1 대수기하 방법을 통해 인도유럽어족 가문의 계통발생 트리를 재구성할 수 있는가? 이 결과는 기존의 역사적 언어학 분류와 일치하는가?
• RQ2 관측된 데이터 포인트가 계통발생 다양체 $V_T$ 상에 위치한 기하학적 위치는 역사적 문법적 진화와 가문 간 관계를 어떻게 반영하는가?
• RQ3 대수기하 접근법의 결과가 해밍 거리나 이웃합치기 방법을 통해 얻은 결과와 얼마나 다를 수 있으며, 이를 어떻게 향상시킬 수 있는가?
• RQ4 기하학적 부분다양체나 기대되는 다양체에서의 이격을 통해, 혼합 또는 다각형 관계와 같은 트리 모양이 아닌 진화의 증거를 탐지할 수 있는가?
• RQ5 매개변수의 독립성이 계통발생 다양체의 기하학적 형태에 어떤 역할을 하는가? 매개변수 재가중치 조정은 모델에 대한 적합도에 어떻게 영향을 미치는가?

주요 결과

• 대수기하 방법은 독일어족, 라틴어족, 슬라브어족 및 초기 인도유럽어족 언어 가문에 대해 기존의 역사적 언어학 분류와 일치하는 계통발생 트리를 성공적으로 재구성하였다.
• Longobardi 자료를 바탕으로 한 독일어족 데이터에 대해 이 방법은 트리 구조 $T_5$ 를 최적의 적합도로 선택하였으며, 평탄화 행렬 $F_5^t$ 에 대해 제곱거리 $\sigma_3^2 + \cdots + \sigma_7^2 = 0.00014$ 를 기록하였다.
• SSWL 자료를 바탕으로 한 독일어족 데이터에 대해 이 방법은 최적 트리로 $T_6$ 를 선택하였으며, $F_6^t$ 에 대해 제곱거리 $\sigma_3^2 + \cdots + \sigma_7^2 = 0.00018$ 를 기록하여 모델 다양체에 양호한 적합도를 보였다.
• 다양체 $V_T(\mathbb{R}_+)$ 상의 데이터 포인트 $x_{T,P}$ 의 위치는 언어 가문 간에 명확한 기하학적 패턴을 드러내어, 문법적 특성 획득의 진화 역학이 서로 다름을 시사하였다.
• 평탄화 행렬의 분석 결과, 관측된 데이터가 기대되는 다양체에 매우 가까웠으며, 이는 분석된 언어 집합에 대해 트리 모델의 타당성이 높음을 지지한다.
• 이 방법은 혼합 및 네트워크 모델과도 호환됨을 보였으며, 더 복잡한 다양체를 통해 트리 모양이 아닌 진화 시나리오로의 확장을 기하학적 형식이 허용하기 때문이다.