Mathematical Foundation of Statistical Learningwatanabe- ·...

30
初めての代数幾何学 ② 東京工業大学 渡辺澄夫

Transcript of Mathematical Foundation of Statistical Learningwatanabe- ·...

Page 1: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

初めての代数幾何学 ②

東京工業大学 渡辺澄夫

Page 2: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

2

1 復習

Page 3: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

復習1

(あ) 多項式の集合 f1(x), f2(x), ・・・, fK(x) に対し、それらの共通零点の集合を V(f1,f2,…,fK) と書いて代数多様体という。

(い) 多項式の集合 f1(x), f2(x), ・・・, fK(x) に対しそれらを含む最小のイデアルを <f1,f2,…,fK> と書き, f1(x),f2(x), ・・・, fK(x) により生成されるイデアルという。

(う) 代数多様体 V 上で零になる多項式全体はイデアルになる。これを I(V) と書き、 V の定義イデアルという。

(え) {V; 代数多様体} ⇔ {I(V);定義イデアル} は全単射。

(お) 図形 V を調べるには代数 I(V) を調べるとよい。

Page 4: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

復習2

パラメータ w を持つ関数 y=f(x,w) を統計学や機械学習に用いる場合、w についての特異点があると、100年前の統計学の方法はすべて使えなくなる。

深層学習や混合正規分布など現代で使われるすべてのモデルは特異点だらけである。学習の挙動は特異点により定められている。

Page 5: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

5

第2回 目標

グレブナー基底を用いるがよい。イデアルの計算

をしたいです。

Page 6: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

6

2 単項式と辞書式順序

Page 7: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

単項式とイデアル

(あ) R[x1,x2,…,xn] の元で a (x1)k1(x2)

k2 (x3)k3 ・・・(xn)

kn で表されるものを単項式という。ここで a∈R で、k1,k2,…,kn は非負の整数。

(い) 単項式だけで生成されるイデアルを単項式イデアルという。無限個の多項式から生成されていてもよい(が実は有限になる)。

例 R[x,y]の元で x2y3 は単項式。 x3y4+x5y6 は単項式でない。

<x3y4, x5y3> は単項式イデアルである。<x3y4 + xy2 + 3> は単項式イデアルではない<x2 - y3, x2 + y3> は単項式イデアルである。

Page 8: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

ディクソンの補題

定理 単項式イデアル I では、その中の有限個の単項式f1,f2,…,fK を選んで I=<f1,f2,…,fK> とできる。

x2y6

x4y4

x7y

証明。

この図をみて証明を述べてみましょう。

3次元以上のときは次元に関する帰納法です。

Page 9: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

辞書式順序

たとえば R[x,y,z] の単項式 xpyqzr について

xpyqzr が xaybzc よりも大きな項である。

⇔ 「p>a」 または 「p=a かつ q>b」または「p=a かつ q=b かつ r>c」

を辞書式順序という。変数がたくさんあるときも同様。

多項式 f(x) の辞書式順序での最大項を LT(f) と書く。LT(f) は単項式である。

例。 LT(x3+y3) = x3 , LT(y4+y) = y4

LT(x3y4+x5y3) = x5y3 , LT(x3y4+x3y2) = x3y4

Page 10: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

多項式の割り算 例

f = x3y + xy2 +y3 を x2y-1, y2-1 で割る。

f = x (x2y-1) + xy2+x+y3 ←あまりは(y2-1)で割れる。

= x (x2y-1) + (x+y) (y2-1) + 2x +y

練習問題。 f = x5+y5 を x2+y2 と xy で割る。

割り算とは : 辞書式順序での最大項を順番に消していく。余りに繰り返し手続きをします。割る順は辞書式順序。

Page 11: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

多項式の割り算 例

f = x4+y4 を x3+y, x2+y2 で割る。

順序を変えると余りは変わる。

f = x(x3+y) -xy+y4 ←余りは x2 で割れない。

(2) x<y の順序では LT(x3+y)=y, LT(x2+y2)=y2

f = x4+y4 を x2+y2, x3+y で割る。

f = y2(x2+y2) –x2y2+x4 ←余りは y で割れる。

f = y2(x2+y2) –(x2y-x5)・(x3+y)-x8 ←余りは y で割れない。

(1) x>y の順序では LT(x3+y)=x3, LT(x2+y2 )=x2

Page 12: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

多項式の割り算 定義

多項式 f(x) の f1(x), f2(x),…,fK(x) による割り算の定義。

LT(f1(x)), LT(f2(x)),…,LT(fK(x)) は辞書式順序について大きいほうから並んでいるものとする。

(1) f(x) を f1(x) で割ると余りの辞書式順序は下がる。(2) 余りを辞書式順序の大きい fk(x) の順で割っていく。(3) 辞書式順序は下に有界なので、いずれとまる。このとき

f(x) = Σk gk(x) fk(x) +r(x)

で r(x) は0またはどの LT(fk) でも割れなくなっている。

Page 13: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

13

2 イデアルと単項式

Page 14: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

イデアルと単項式

イデアル I に対して LT(I) ={ LT(f) ; f∈I } と定義する。

LT(I) は単項式の集合である。イデアルではない。

< LT(I) > は単項式イデアルである。

注意1:一般に <LT(I)>≠I である。

注意2: I = <f1,f2, …,fK> であっても

<LT(I)> = <LT(f1), LT(f2), …,LT(fK)> とは限らない。

Page 15: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

イデアルの単項式 例1

例 I=< x3+y , x2 > とする。

I= < x2, y > なのでLT(I)={x2, x3, …, y, y2, …, x2y, x3y,…} <LT(I)>=<x2,y>。

I=< x2, y> かつ <LT(I)>=< LT(x2), LT(y) >である。しかし <LT(I)>≠< LT( x3+y ), LT(x2) >である。

(注意) もしも f = g・q+ r ならば <f,g>=<g,r> である。

Page 16: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

イデアルの単項式 例2

例。 I=< x3+y, x2+y2 > とする。

I=< x2+y2 , xy2 – y > なのでLT(I)={ x2,…, xy2,…, }. から <LT(I)>=<x2, xy2 >.

このとき I=< x2+y2 , xy2 – y > であり、かつ<LT(I)>=< LT(x2+y2), LT(xy2 – y) >が成り立っている。

注意:<LT(I)>≠< LT( x3+y ), LT(x2+y2) >である。また <LT(I)>≠I である。

Page 17: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

17

3 グレブナー基底

Page 18: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

定理

定理 任意のイデアル I に対して次が成り立つ。

(1)ある f1,f2,…,fK ∈I が存在して次式が成り立つ。

<LT(I)> = <LT(f1), LT(f2), …,LT(fK)>。

(2) (1) を成立させる f1,f2,…,fK について

I = <f1,f2, …,fK> が成り立つ。

◎ この定理はヒルベルトの基底定理を用いずに示すことができるから、この定理からヒルベルトの基底定理が証明できた。

Page 19: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

証明

(1) <LT(I)> は単項式の集合 LT(I) から生成されるイデアル

であるから、ディクソンの補題からすぐに証明される。

(2) f1,f2,…,fK ∈I だから <f1,f2, …,fK> ⊂ I は明らか。

I⊂<f1,f2, …,fK>を示せばよい。 f∈I とする。

ある r(x) が存在して f(x) = Σk gk(x) fk(x) +r(x) と書けて

r(x) は0か、どの LT(fk) でも割り切れない(割り算の定義)。

r(x) = f(x) - Σk gk(x) fk(x) ∈ I であるから (1) より

LT(r) ∈ <LT(f1), LT(f2), …,LT(fK)>が成り立つ。従って

r(x)=0. これより、f ∈ <f1,f2, …,fK>。 (証明終わり)

Page 20: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

グレブナー基底

定義。 イデアル I に対して、 f1,f2,…,fK ∈I が

次の両方を満たすとき

(1) <LT(I)> = <LT(f1), LT(f2), …,LT(fK)>

(2) I = <f1,f2, …,fK>

I のグレブナー基底(標準基底)という。

注意1。任意のイデアルについてグレブナー基底は存在し、

(1)を満たせば(2)は自動的に満たされる。

注意2。グレブナー基底でないものについては (2) が

成り立っていても (1) が成りたたない。

Page 21: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

グレブナー基底の作り方

I = <f1,f2, …,fK> とする。

f1,f2, …,fK の任意の組み合わせ (fi,fj) について

LT(fi) と LT(fj) が最小公倍の単項式になるように

単項式をかけて引き算し、打ち消すあうようにしたときの

余りを I に付け加えていくことを繰り返すと、新しい

LT( ) は辞書式順序で単調非増加になり、いずれ停止して、

そのときグレブナー基底が得られる。

Page 22: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

グレブナー基底の作り方 例

I=< x3, yx2+y2 > とする。グレブナー基底でない。

LT(x3) =x3

LT(yx2+y2) =yx2

であるから y(x3) - x (yx2+y2 ) = - xy2

I=< x3+y, yx2+y2 , xy2 >である。グレブナー基底でない。

LT(yx2+y2) =x3

LT( xy2 ) = xy2

であるから y(yx2+y2) – x(xy2)=y3

I=< x3+y, yx2+y2 , - xy2 , y3>どの組み合わせからも新しい LT が生まれなくなったのでグレブナー基底になった。

Page 23: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

極小グレブナー基底

I のグレブナー基底ではは。

<LT(I)> = <LT(f1), LT(f2), …,LT(fK)>

が成り立つが、このうち、どれかひとつでも欠けたらこの

関係が成り立たないとき極小グレブナー基底という。

覚え方。

イデアルのグレブナー基底とは、イデアルの生成元である

だけでなく LT を作用させても足りないものがないもの

のことである。

Page 24: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

24

4 既約な代数多様体

Page 25: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

既約な代数多様体

代数多様体 V が既約であるとはV=V1∪V2 ならば V=V1 または V=V2

イデアル I が素イデアルであるとはf(x)g(x) ∈ I ならば f(x)∈I または g(x)∈I

定理。代数多様体 V が既約である⇔ 定義イデアル I(V) が素イデアルである

Page 26: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

既約でない代数多様体の例

I(V)=<xy,z> = <xy>∩ <z>

Page 27: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

証明1

(既約⇒素イデアル)

V=(V∩V(f)) ∪ (V∩V(g))

f(x)g(x)∈I(V) とする。

V 上で f(x) = 0 または g(x)=0

Vが既約であると仮定したからV(f)⊃V または V(g)⊃V

従って f∈I(V) または g∈I(V)。

Page 28: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

証明2

(素イデアル⇒既約)

V=V1∪V2とする。「I(V)=I(V1) または I(V)=I(V2) 」を示せばよい。

I(V1) ∩ I(V)c と I(V2) ∩ I(V)c のどちらかが空集合であることが示せればよい。背理法:どちらも空でないとすると

f ∈ I(V1) ∩ I(V)c

g∈ I(V2) ∩ I(V)c

がとれる。仮定から f(x)g(x) ∈ I(V) I(V)が素イデアルと仮定したからf(x)g(x)∈I(V) ⇒ f(x) ∈I(V) または g(x)∈I(V) :矛盾。

I(V1) I(V2)

I(V)

Page 29: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

既約な代数多様体

定理。任意の代数多様体 V に対して既約な代数多様体V1,V2,…,VK が存在して V=V1∪V2∪・・・∪VK

(証明) Vが既約なら証明終わり。V が既約でないとき V=V1∪V2 とできる (V≠V1,V≠V2 )。どちらも既約なら証明終わり。V2が既約でない場合を考えて一般性を失わない。V2が既約でないときは V2 =V3∪V4 同様の議論を繰り返すと既約でないものがある限りV⊃V1⊃V2⊃・・・の列が作れるが対応する定義イデアルの列は有限の大きさでとまるのでVの列も途中で止まる。(証明終わり)。

Page 30: Mathematical Foundation of Statistical Learningwatanabe- · のグレブナー基底(標準基底)という。 注意1。任意のイデアルについてグレブナー基底は存在し、

なぜ 既約な代数多様体

任意の代数多様体は既約なものの有限和であることがわかった。代数多様体を調べるとき、既約な代数多様体を調べることが非自明な課題になる。