[论文解读] Reciprocal Maximum Likelihood Degrees of Brownian Motion Tree Models

Tobias Boege, Jane Ivy Coons+3 more|arXiv (Cornell University)|Sep 24, 2020

Polynomial and algebraic computation参考文献 12被引用 8

一句话总结

本文通过建立与扇形模型的联系并利用扇形纤维积分解，推导出布朗运动树模型的互惠最大似然度（rmld）的显式公式。关键结果为：rmld 等于所有内部顶点 v 的 (2^{outdeg(v)} - outdeg(v) - 1) 的乘积，为系统发生模型中的这一几何不变量提供了闭式解。

ABSTRACT

We give an explicit formula for the reciprocal maximum likelihood degree of Brownian motion tree models. To achieve this, we connect them to certain toric (or log-linear) models, and express the Brownian motion tree model of an arbitrary tree as a toric fiber product of star tree models.

研究动机与目标

• 确定布朗运动树模型的互惠最大似然度（rmld），这是统计估计中的一个关键不变量。
• 建立布朗运动树模型与扇形（对数线性）模型之间的联系，以利用代数工具。
• 通过扇形星形树模型的扇形纤维积分解一般树模型，以实现 rmld 的递归计算。
• 提供一个仅依赖于树中内部顶点出度的 rmld 闭式公式。

提出的方法

• 作者将布朗运动树模型表示为星形树模型的扇形纤维积，从而实现 rmld 的递归计算。
• 他们证明布朗运动模型中的互惠 MLE 问题等价于相应扇形模型中的标准 MLE 问题。
• 通过齐次化与射影几何，利用扇形理想与线性空间的交集所定义的射影簇的次数来计算 rmld。
• 证明过程基于内部顶点数的归纳法，利用将树分解为星形子树与简化树的方法。
• 关键代数工具包括浓度矩阵、线性子空间，以及正定锥中对称矩阵的几何性质。
• 作者运用代数统计中的结果，特别是扇形纤维积理论以及仿射与射影簇的次数。

实验结果

研究问题

• RQ1 对于任意有根树，布朗运动树模型的互惠最大似然度是多少？
• RQ2 布朗运动模型中的互惠 MLE 问题如何与扇形模型中的标准 MLE 问题相关联？
• RQ3 能否通过将树分解为更简单的组件，递归地计算互惠 ML 度？
• RQ4 该模型中互惠似然临界点的代数结构是什么？
• RQ5 rmld 是否能以树的顶点度数形式表示为闭式表达式？

主要发现

• 有根树 T 上的布朗运动树模型的互惠最大似然度由所有内部顶点 v 的 (2^{outdeg(v)} - outdeg(v) - 1) 的乘积给出。
• 对于具有 n 片叶子的星形树（出度为 n），rmld 为 2^n - n - 1，与相应扇形簇的次数一致。
• 图 1 中树模型的 rmld 为 16，因为两个内部顶点的出度均为 3，且 (2^3 - 3 - 1)^2 = 16。
• 互惠 MLE 问题等价于扇形模型中的标准 MLE 问题，从而可应用代数几何时工具。
• 该模型结构允许通过扇形纤维积进行分解，且 rmld 在此类分解下具有可乘性。
• 扇形理想射影闭包与由数据定义的线性空间的交集在无穷远处无点，确保了次数定义良好，并与 rmld 一致。