[论文解读] Reciprocal maximum likelihood degrees of diagonal linear concentration models

Christopher Eur, Tara Fife+2 more|arXiv (Cornell University)|Nov 28, 2020

Stochastic processes and statistical mechanics参考文献 13被引用 4

一句话总结

本文建立了对角线线性浓度模型的互惠最大似然度（rmld）的闭式公式，其表达式基于模型相关拟阵的特征多项式。证明了 rmld(ℒ) = (−2)^r ⋅ χ_M(1/2)，其中 r 为模型的维数，χ_M 为拟阵 M 的特征多项式，从而解决了 Sturmfels、Timme 与 Zwiernik 关于一般对角模型 rmld 多项式性的猜想。

ABSTRACT

We show that the reciprocal maximal likelihood degree (rmld) of a diagonal linear concentration model $\mathcal L \subseteq \mathbb{C}^n$ of dimension $r$ is equal to $(-2)^rχ_M( extstyle\frac{1}{2})$, where $χ_M$ is the characteristic polynomial of the matroid $M$ associated to $\mathcal L$. In particular, this establishes the polynomiality of the rmld for general diagonal linear concentration models, positively answering a question of Sturmfels, Timme, and Zwiernik.

研究动机与目标

• 解决 Sturmfels、Timme 与 Zwiernik 关于一般对角线线性浓度模型互惠最大似然度（rmld）多项式性的猜想。
• 建立 rmld 与模型拟阵理论不变量之间精确的代数公式。
• 将最大似然度公式推广至涉及 d 次幂的高阶系统，扩展已知的 d=1 情况。
• 阐明线性浓度模型互惠曲面上对数似然函数临界点背后的几何与组合结构。

提出的方法

• 通过 (ℂ*)^n 中的方程组，推导出 rmld 的另一种刻画：(x₁⁻¹,…,xₙ⁻¹) ∈ ℒ 且 (s₁x₁²−x₁,…,sₙxₙ²−xₙ) ∈ ℒ⊥，其中 sᵢ 为一般参数。
• 引入 d 次幂系统的解计数函数 𝒟(ℒ,d)，并证明 𝒟(ℒ,d) = (−d)^r ⋅ χ_M(1/d)。
• 利用拟阵 M 的平面格上的 Möbius 函数及删除-约化关系，通过容斥原理与对偶性推导公式。
• 应用 Tutte 多项式恒等式 d^r ⋅ T_M(1−1/d, 0) = (−d)^r ⋅ χ_M(1/d)，将结果与已知的拟阵不变量联系起来。
• 运用 Poincaré 对偶性与上同调工具，将解的计数与超平面排列补集的 Poincaré 多项式关联。
• 通过在均匀拟阵上的显式计算验证公式，恢复了通用情况下 rmld 的已知多项式表达式。

实验结果

研究问题

• RQ1 一般对角线线性浓度模型的互惠最大似然度是否为 n 的 r−1 次多项式，如猜想所述？
• RQ2 rmld 能否用拟阵不变量（如特征多项式或 Tutte 多项式）表达？
• RQ3 线性浓度模型互惠曲面上临界点计数背后的几何与代数机制是什么？
• RQ4 rmld 在拟阵操作（如删除与约化）下的行为如何？这种行为是否可反映在解计数中？
• RQ5 公式 𝒟(ℒ,d) = (−d)^r ⋅ χ_M(1/d) 是否推广了已知的 d=1 情况，并统一非互惠与互惠最大似然度？

主要发现

• 对角线线性浓度模型 ℒ（维数为 r）的互惠最大似然度恰好为 (−2)^r ⋅ χ_M(1/2)，其中 χ_M 为关联拟阵 M 的特征多项式。
• 该公式证实，对于一般模型，rmld(ℒ) 是 n 的 r−1 次多项式，回答了 Sturmfels、Timme 与 Zwiernik 提出的问题。
• 对于 ℂ^[n] 中的一般 r 维模型，有 rmld(ℒ) = ∑_{i=1}^r (n−i−1 choose r−i) ⋅ 2^{r−i}，并给出显式例子：当 r=3 时为 2n²−8n+7，当 r=4 时为 4/3n³−10n²+68/3n−15。
• 公式 𝒟(ℒ,d) = (−d)^r ⋅ χ_M(1/d) 将 rmld 推广至高阶系统，且当 d=2 时可恢复互惠情形。
• rmld 总为奇数（除非为零），这一现象在数值数据中已观察到，现由公式得以解释。
• rmld 的删除-约化递推关系被完全刻画：在环上为零，在余环上缩放因子为 (d−1)，其余情况下满足线性递推。