[论文解读] An algorithm for computing the topological Euler characteristic of complex projective varieties

Christine Jost|arXiv (Cornell University)|Jan 17, 2013

Polynomial and algebraic computation参考文献 12被引用 13

一句话总结

本文提出了一种混合符号-数值算法，用于计算复射影概形的拓扑欧拉示性数，该方法利用Aluffi的Chern-Schwartz-MacPherson类方法、符号计算Segre类次数，以及再生级联进行数值不可约分解。关键贡献是一种数值稳定且可并行化的计算方法，通过计算最高阶Chern-Schwartz-MacPherson类的次数来获得欧拉示性数，并通过在代数统计中计算随机右删失模型的最大似然度为3，验证了该方法的有效性。

ABSTRACT

We present an algorithm for the symbolic and numerical computation of the degrees of the Chern-Schwartz-MacPherson classes of a closed subvariety of projective space P^n. As the degree of the top Chern-Schwartz-MacPherson class is the topological Euler characteristic, this also yields a method to compute the topological Euler characteristic of projective varieties. The method is based on Aluffi's symbolic algorithm to compute degrees of Chern-Schwartz-MacPherson classes, a symbolic method to compute degrees of Segre classes, and the regenerative cascade by Hauenstein, Sommese and Wampler. The new algorithm complements the existing algorithms. We also give an example for using a theorem by Huh to compute an invariant from algebraic statistics, the maximum likelihood degree of an implicit model.

研究动机与目标

• 开发一种数值稳定且可并行化的算法，用于计算奇异复射影概形的拓扑欧拉示性数。
• 通过结合Aluffi的Chern-Schwartz-MacPherson类符号算法与再生级联的数值不可约分解方法，弥合代数几何中符号方法与数值方法之间的鸿沟。
• 为代数统计中的不变量（如最大似然度）提供实用的计算工具，突破符号Hodge数计算的局限。
• 展示在符号方法面临内存或复杂度限制时，特征类数值计算的可行性与高效性。

提出的方法

• 该算法将拓扑欧拉示性数计算为射影概形的最高阶Chern-Schwartz-MacPherson类的次数。
• 采用Aluffi的方法，将Chern-Schwartz-MacPherson类次数表示为图的阴影，而这些阴影由Segre类次数导出。
• Segre类次数通过符号计算或残量计算，而残量是再生级联（一种不可约分解的数值方法）的副产品。
• 再生级联使残量的数值计算成为可能，从而实现特征类次数的高效且可并行计算。
• 该方法结合符号计算残量与数值不可约分解，避免了纯符号方法的内存瓶颈。
• 该实现已集成至Macaulay2包CharacteristicClasses，版本0.2及以上。

实验结果

研究问题

• RQ1 能否通过混合符号-数值方法高效计算奇异复射影概形的拓扑欧拉示性数？
• RQ2 如何通过Segre类次数与残量实现Chern-Schwartz-MacPherson类次数的数值计算？
• RQ3 与纯符号方法相比，使用再生级联进行特征类数值计算有何计算优势？
• RQ4 该方法能否计算隐式模型在代数统计中的不变量（如最大似然度）？
• RQ5 与符号方法相比，该数值方法在可扩展性与并行化方面表现如何？

主要发现

• 该算法通过计算概形最高阶Chern-Schwartz-MacPherson类的次数，成功计算了复射影概形的拓扑欧拉示性数。
• 通过利用再生级联计算残量（作为不可约分解的副产品），该方法实现了数值稳定性和可并行性。
• 对于含两个事件的随机右删失模型，该算法计算出概形的欧拉示性数为5，坐标超平面补集的欧拉示性数为2，从而得出开集的符号欧拉示性数为3。
• 该结果与该模型已知的最大似然度3一致，验证了该方法在代数统计应用中的准确性。
• 在内存效率与可扩展性方面，该数值实现优于纯符号方法，尤其适用于高维或复杂概形。
• 该算法补充了现有符号工具（如Macaulay2的euler命令，仅适用于光滑概形）以及Aluffi的CSM包（符号方法，内存消耗大）的不足。