[论文解读] Learning Algebraic Structures: Preliminary Investigations

Yang‐Hui He, Minhyong Kim|arXiv (Cornell University)|May 2, 2019

Topological and Geometric Data Analysis被引用 5

一句话总结

本文研究了机器学习（ML）是否能够通过分析其凯莱表和运算表来识别代数结构——特别是有限群和环。利用支持向量机和神经网络分类器，作者证明了ML能够准确识别群的性质，如单性（准确率超过98%），并能将有效的群表与拉丁方区分（准确率超过90%），表明ML在无需显式数学知识的情况下揭示了深层的结构模式。

ABSTRACT

We employ techniques of machine-learning, exemplified by support vector machines and neural classifiers, to initiate the study of whether AI can "learn" algebraic structures. Using finite groups and finite rings as a concrete playground, we find that questions such as identification of simple groups by "looking" at the Cayley table or correctly matching addition and multiplication tables for finite rings can, at least for structures of small size, be performed by the AI, even after having been trained only on small number of cases. These results are in tandem with recent investigations on whether AI can solve certain classes of problems in algebraic geometry.

研究动机与目标

• 研究机器学习是否能仅基于其运算表识别和分类代数结构，如有限群和环。
• 确定人工智能是否能在不掌握群论显式算法知识的情况下学习复杂的代数性质——如群的单性或同构性。
• 评估机器学习在识别代数对象中结构模式方面是否优于传统计算方法，尤其是在标准算法时间复杂度为指数级的情况下。
• 通过测试其匹配有限环中加法表与乘法表以及检测同构的能力，探索机器学习在代数中的极限。
• 通过控制实验（使用随机排列）判断机器学习是否在检测有意义的数学模式，而非仅仅拟合噪声。

提出的方法

• 采用支持向量机（SVM）和神经网络分类器处理表示有限群和环凯莱表的输入数据。
• 使用有限群（阶数至70）和环（小阶数）的带标签数据集，对模型进行训练，以识别群的单性、子群数量和同构性等属性。
• 将群和环的运算表转换为适合机器学习的数值输入特征，同时保留其结构信息。
• 应用交叉验证和测试集评估以衡量预测准确率，特别关注对未见样本的泛化能力。
• 通过随机排列表项进行控制实验，测试ML性能是否超过随机猜测（使用Matthews相关系数作为度量标准）。
• 在小样本子集（如10%的群）上进行训练，并在剩余90%上评估性能，以测试泛化能力和模式学习能力。

实验结果

研究问题

• RQ1 机器学习模型能否识别给定的拉丁方是否为有限群的有效凯莱表？
• RQ2 机器学习模型能否仅基于其凯莱表预测有限群是否为单群？
• RQ3 机器学习能否准确地从运算表中预测有限群的子群数量？
• RQ4 当加法表与乘法表被打乱并作为输入提供时，机器学习能否正确匹配有限环的加法与乘法表？
• RQ5 模型的性能是否显著高于随机猜测，表明其学习的是真实的结构模式而非统计伪影？

主要发现

• 机器学习模型在识别拉丁方是否为有限群的有效凯莱表方面准确率超过90%，表明其在无需显式群论知识的情况下具备有效的模式识别能力。
• 在仅用阶数至70的群中10%的数据进行训练后，模型对未见样本的群单性预测准确率超过98%，表明其对复杂代数性质具有极强的泛化能力。
• 模型在检测有限群或环之间的同构性方面表现失败，Matthews相关系数接近零，表明此类问题目前不适合用机器学习方法解决。
• 从运算表中预测有限群的子群数量较为困难，可能由于其对数论性质（如群阶的因数分解）具有高度敏感性。
• 对于有限环，模型在匹配打乱后的加法与乘法表方面准确率最高可达90%，表明其能够检测到潜在的代数一致性。
• 对随机排列标签的控制实验显示性能接近零（phi ≈ 0），证实模型的成功源于对真实结构模式的检测，而非随机拟合。