[论文解读] 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 4

一句话总结

本文将系统发育代数几何方法应用于斯瓦希尔-沃伊特语言库（SSWL）和隆巴尔迪数据库中的题干数据，以重建印欧语系语言家族之间的进化关系。通过将题干参数建模为二元变量，并在代数簇上计算系统发育不变量与欧几里得距离，该方法识别出与数据最匹配的树拓扑结构，揭示了语言进化中更精确的几何约束与历史模式，优于传统方法。

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.

研究动机与目标

• 开发并应用一种基于代数几何的框架，用于历史语言学中的系统发育重建，基于题干数据。
• 通过利用概率分布上的几何约束，克服传统方法（如汉明距离和邻接法）的局限性。
• 将该方法的结果与已知的历史语言学分类（包括日耳曼语、罗曼语、 Slav语和早期印欧语）进行比较。
• 探讨观测数据点在系统发育簇上的位置如何编码历史题干演化及潜在的语系分支。
• 通过代数簇的几何分析，评估数据与树状模型 vs. 网状模型进化模式的兼容性。

提出的方法

• 将题干结构建模为来自SSWL和Longobardi数据集的二元变量（题干参数）。
• 将语言家族表示为具有标记叶节点（对应语言）和内部节点（对应祖先状态）的系统发育树。
• 从语言间题干特征的观测概率分布构造展平矩阵。
• 计算展平矩阵到形式为 $\mathcal{D}_2(a,b)$ 的簇的欧几里得距离，该簇表示树模型下的期望分布。
• 通过展平矩阵的奇异值分解，计算平方距离 $\sigma_3^2 + \cdots + \sigma_a^2$，作为对代数簇拟合程度的度量。
• 分析观测数据点 $x_{T,P}$ 在簇 $V_T$ 的实非负支集 $V_T(\mathbb{R}_+)$ 上的几何位置，以推断进化模式与语系兼容性。

实验结果

研究问题

• RQ1 代数几何方法能否生成与既定历史语言学分类一致的印欧语系语言家族系统发育树？
• RQ2 观测数据点在系统发育簇 $V_T$ 上的几何位置如何反映历史题干演化与语系关系？
• RQ3 与基于汉明距离或邻接法获得的结果相比，代数几何方法在多大程度上存在差异或实现改进？
• RQ4 该方法能否通过几何子簇或与预期簇的偏差，检测到非树状演化的证据（如混合或网状关系）？
• RQ5 参数独立性在塑造系统发育簇几何结构中起什么作用？重加权参数如何影响模型拟合度？

主要发现

• 该代数几何方法成功重建了日耳曼语、罗曼语、斯拉夫语及早期印欧语系语言家族的系统发育树，其结果与既定的历史语言学分类一致。
• 对于隆巴尔迪数据库中的日耳曼语数据，该方法识别出 $T_5$ 为最佳树拓扑，展平矩阵 $F_5^t$ 的平方距离为 $\sigma_3^2 + \cdots + \sigma_7^2 = 0.00014$。
• 对于SSWL数据库中的日耳曼语数据，该方法选择 $T_6$ 为最佳树，展平矩阵 $F_6^t$ 的平方距离为 $\sigma_3^2 + \cdots + \sigma_7^2 = 0.00018$，表明与模型簇的拟合良好。
• 数据点 $x_{T,P}$ 在 $V_T(\mathbb{R}_+)$ 上的位置揭示了不同语言家族间存在显著的几何模式，提示题干特征获取的进化动态存在差异。
• 展平矩阵的分析表明，观测数据接近预期簇，支持所分析语言集合的树模型有效性。
• 该方法与混合及网络模型兼容，因为几何形式可扩展至更复杂的簇，以涵盖非树状演化情景。