[论文解读] Polytopes and Machine Learning

Jiakang Bao, Yang‐Hui He+4 more|arXiv (Cornell University)|Sep 15, 2021

Advanced Combinatorial Mathematics参考文献 52被引用 6

一句话总结

本文使用监督机器学习方法，以普吕克坐标作为输入特征，对格点多面体进行分析，在预测二维多边形和三维多面体的几何不变量（如体积、对偶体积和反射性）时，准确率接近完美（最高达100%）。相较于标准的顶点表示方法，普吕克坐标表现更优，揭示了多面体不变量与其代数不变量之间非平凡的结构关系。

ABSTRACT

We introduce machine learning methodology to the study of lattice polytopes. With supervised learning techniques, we predict standard properties such as volume, dual volume, reflexivity, etc, with accuracies up to 100%. We focus on 2d polygons and 3d polytopes with Plücker coordinates as input, which out-perform the usual vertex representation.

研究动机与目标

• 探究机器学习是否能够发现难以通过解析方法推导的格点多面体中的隐藏模式。
• 比较普吕克坐标与顶点表示在预测多面体几何和拓扑不变量方面的性能表现。
• 探索机器学习作为发现多面体理论中新数学关系的工具的潜力。
• 评估使用神经网络预测二维和三维格点多面体中体积、对偶体积和反射性等不变量的可行性。

提出的方法

• 作者利用多面体顶点导出的普吕克坐标表示格点多面体，这些坐标在高维空间中编码了组合与几何信息。
• 他们在二维多边形和三维多面体的数据集上训练监督机器学习模型——特别是回归与分类模型。
• 输入特征为顶点坐标或普吕克坐标，后者被证明性能显著更优。
• 使用神经网络预测连续不变量（如体积、对偶体积）和离散属性（如反射性），并通过平均绝对误差（MAE）和准确率评估模型性能。
• 应用多维缩放（MDS）可视化普吕克坐标的结构，揭示与体积分布相关的模式。
• 研究使用了经筛选的格点多面体数据集，代码与数据在GitHub上公开，确保可复现性。

实验结果

研究问题

• RQ1 基于普吕克坐标训练的机器学习模型是否能比基于顶点表示的模型更准确地预测多面体不变量（如体积和对偶体积）？
• RQ2 机器学习揭示的普吕克坐标与几何不变量（如体积）之间的关系本质是什么？
• RQ3 使用普吕克坐标是否能揭示标准顶点表示法下不明显的格点多面体中非平凡的结构模式？
• RQ4 神经网络能否学习并泛化格点多面体中如反射性等复杂数学属性？
• RQ5 普吕克坐标的MDS嵌入结构与多面体不变量（如体积）的分布之间是否存在有意义的关联？

主要发现

• 在二维多边形中，使用普吕克坐标作为输入，预测体积的准确率达到100%，而基于顶点表示的方法准确率为94.5%。
• 在三维多面体中，使用普吕克坐标将体积预测的平均绝对误差（MAE）降低至1.680，而基于顶点的方法为10.012。
• 在三维射影极小法诺多面体中，使用普吕克坐标预测体积的准确率达到93.6%，优于基于顶点的方法。
• 对于对偶体积预测，普吕克坐标在三维多面体中实现了89.0%的准确率，表明其在该不变量上具有强大的泛化能力。
• 普吕克坐标的MDS可视化揭示了体积的结构化分布，表明普吕克坐标与几何不变量之间存在非平凡的潜在关系。
• 当给定(ℓ−1)阶普吕克坐标和体积作为输入时，模型对三角形的缺失普吕克坐标重建准确率达到100%，对五边形为99.4%。