[论文解读] The Leray Dimension of a Convex Code

Carina Curto, Ramón Vera|arXiv (Cornell University)|Dec 22, 2016

Coding theory and cryptography参考文献 4被引用 5

一句话总结

本文引入了勒雷维数 $d_L(\mathcal{C})$ 作为凸码 $\mathcal{C}$ 的最小嵌入维数 $d(\mathcal{C})$ 的新下界，该下界基于关联单纯复形 $\Delta(\mathcal{C})$ 的斯坦利-雷伊纳尔理想最小自由分解的贝蒂数。关键贡献是一个公式：$d_L(\mathcal{C}) = \max_{i,\sigma} \{ |\sigma| - i \mid \beta_{i,\sigma}(S/I_\Delta) > 0 \}$，该公式涵盖了并改进了此前由同调维数和赫利维数得出的界限。

ABSTRACT

Convex codes were recently introduced as models for neural codes in the brain. Any convex code $\C$ has an associated minimal embedding dimension $d(\C)$, which is the minimal Euclidean space dimension such that the code can be realized by a collection of convex open sets. In this work we import tools from combinatorial commutative algebra in order to obtain better bounds on $d(\C)$ from an associated simplicial complex $Δ(\C)$. In particular, we make a connection to minimal free resolutions of Stanley-Reisner ideals, and observe that they contain topological information that provides stronger bounds on $d(\C)$. This motivates us to define the Leray dimension $d_L(\C),$ and show that it can be obtained from the Betti numbers of such a minimal free resolution. We compare $d_L(\C)$ to two previously studied dimension bounds, obtained from Helly's theorem and the simplicial homology of $Δ(\C)$. Finally, we show explicitly how $d_L(\C)$ can be computed algebraically, and illustrate this with examples.

研究动机与目标

• 使用代数拓扑工具，为凸码 $\mathcal{C}$ 的最小嵌入维数 $d(\mathcal{C})$ 建立更紧的下界。
• 将凸码的结构与关联斯坦利-雷伊纳尔理想的最小自由分解联系起来。
• 基于 $\Delta(\mathcal{C})$ 的所有诱导子复形的同调，定义并表征一种新的维数不变量——勒雷维数 $d_L(\mathcal{C})$。
• 证明 $d_L(\mathcal{C})$ 优于同调维数 $d_{\textnormal{hom}}(\mathcal{C})$ 和赫利维数 $d_H(\mathcal{C})$。
• 提供一种基于计算代数系统（如 Macaulay2）的代数算法，用于计算 $d_L(\mathcal{C})$。

提出的方法

• 将勒雷维数 $d_L(\mathcal{C})$ 定义为 $\max\{k \in \mathbb{Z} \mid H_k(\Delta|_\sigma, \mathbf{k}) \not\simeq 0 \text{ 对某个 } \sigma \subseteq [n]\} + 1$，以捕捉所有诱导子复形上的同调。
• 利用霍奇斯特公式，将斯坦利-雷伊纳尔环 $S/I_\Delta$ 的最小自由分解的贝蒂数 $\beta_{i,\sigma}(S/I_\Delta)$ 与诱导子复形的同调联系起来。
• 定义量 $R_{i,\sigma} = |\sigma| - i$（若 $\beta_{i,\sigma}(S/I_\Delta) > 0$），否则为 0，以编码每个贝蒂数的维数贡献。
• 建立公式 $d_L(\mathcal{C}) = \max_{i,\sigma} R_{i,\sigma}$，该公式可从分解中代数计算勒雷维数。
• 使用计算机代数系统 Macaulay2，通过 `res` 和 `peek betti` 命令在斯坦利-雷伊纳尔理想的余核上实现计算。
• 构造显式码族，证明 $d_L(\mathcal{C})$ 可以远超 $d_H(\mathcal{C})$ 和 $d_{\textnormal{hom}}(\mathcal{C})$ 的任意倍数。

实验结果

研究问题

• RQ1 能否利用关联单纯复形的代数不变量，更紧地界定凸码 $\mathcal{C}$ 的最小嵌入维数 $d(\mathcal{C})$？
• RQ2 最小自由分解的斯坦利-雷伊纳尔理想的贝蒂数如何与码的神经复形的拓扑特征相关？
• RQ3 是否存在一种维数不变量，能同时涵盖同调维数和赫利维数，并为 $d(\mathcal{C})$ 提供严格更优的下界？
• RQ4 勒雷维数能否从分解数据中算法化计算？其与现有界限相比如何？
• RQ5 是否存在勒雷维数与 $d_H(\mathcal{C})$ 或 $d_{\textnormal{hom}}(\mathcal{C})$ 之间的差距可任意大致的码？

主要发现

• 勒雷维数 $d_L(\mathcal{C})$ 定义为：存在某个诱导子复形 $\Delta|_\sigma$ 具有非平凡 $k$-阶同调的最大 $k$ 加一。
• 勒雷维数满足 $d_L(\mathcal{C}) \geq d_H(\mathcal{C})$ 且 $d_L(\mathcal{C}) \geq d_{\textnormal{hom}}(\mathcal{C})$，使其成为三者中最强的下界。
• 公式 $d_L(\mathcal{C}) = \max_{i,\sigma} \{ |\sigma| - i \mid \beta_{i,\sigma}(S/I_\Delta) > 0 \}$ 允许从最小自由分解的贝蒂数精确代数计算 $d_L(\mathcal{C})$。
• 对于斯坦利-雷伊纳尔理想为 $I_\Delta = \langle x_1x_2, x_3x_4 \rangle$ 的单纯复形，计算得 $d_L(\mathcal{C}) = 2$，$d_H(\mathcal{C}) = 1$，$d_{\textnormal{hom}}(\mathcal{C}) = 0$。
• 在完全二部图 $K_{4,4}$ 中，勒雷维数为 $d_L(\mathcal{C}) = 2$，赫利维数为 $d_H(\mathcal{C}) = 1$，同调维数为 $d_{\textnormal{hom}}(\mathcal{C}) = 2$。
• 本文构造了一类码，使得对任意 $q \in \mathbb{N}$，均有 $d_L(\mathcal{C}) - d_H(\mathcal{C}) \geq q$ 且 $d_L(\mathcal{C}) - d_{\textnormal{hom}}(\mathcal{C}) \geq q$，证明 $d_L$ 可以远超其他界限任意倍数。