論文「The Euler Stratification for P1 × P1 × Pn」の技術的サマリー

1. 概要と問題設定

本論文は、代数幾何学と代数統計学の交差点にある問題、すなわち**スケーリングされたトーリック多様体（scaled toric varieties）**の最大尤度次数（Maximum Likelihood Degree: ML degree）の挙動を研究しています。

具体的には、多項式 $f_W$ の定義する超曲面 $Y_{W,n} \subset (\mathbb{C}^*)^{2+n}$ のオイラー特性 $\chi(Y_{W,n})$ が、係数 $W$ の変化に応じてどのように変動するかを分析します。ここで、$f_W$ の単項式のサポートは、格子点の集合 $\Delta_1 \times \Delta_1 \times \Delta_n$（$\Delta_r$ は $r+1$ 次元の単体）に対応しています。

この超曲面族の各メンバーは、代数統計における3 方向の独立性モデル（2 つの二値変数と 1 つの $(n+1)$ 値変数からなる確率的独立モデル）に対応します。重要な事実として、このモデルの ML 次数は、$Y_{W,n}$ の（符号付き）オイラー特性と等しくなります（Proposition 1.1）。

$$\text{mldeg}(X_{W,n}) = (-1)^{n+1}\chi(Y_{W,n})$$

本研究の中心的な問いは、**「主 A-行列式（principal A-determinant）$E_A$ の因子の消滅パターン（vanishing patterns）が、ML 次数を完全に決定するか？」**というものです。

2. 主要な背景と先行研究

• 主 A-行列式 $E_A$: トーリック多様体の特異点構造を記述する多項式であり、その因子は $A$-判別式や超判別式（hyperdeterminant）などを含みます。
• 予想 1.3 (CHKO24): 「$W$ と $W'$ において、主 A-行列式 $E_A$ の同じ因子の集合がちょうど消滅する場合、$\chi(Y_{W,n}) = \chi(Y_{W',n})$ となる」という予想が以前に提唱されていました。
• 既知の結果: この予想は、Segre 積 $P_m \times P_n$ の場合には正しいことが知られていましたが、より一般的なケースでは未解決でした。

3. 手法とアプローチ

著者らは、以下の数学的ツールと戦略を用いて問題を解決しました。

1. 交差公式と包含・排除原理:

   • 超曲面 $Y_{W,n}$ のオイラー特性を、定義多項式 $f_0, \dots, f_n$ によって定義される二次曲線（quadrics）の交差のオイラー特性の和として表現します（Corollary 3.2, Theorem 3.3）。
   • 特に、$P^1 \times P^1$ 上の二次曲線の交点の数を、係数行列のランクや 2 次小行列式（2-minors）、超判別式を用いて分類します。

2. ケーススタディ（$n=1, 2$）:

   • $n=1$ の場合: 係数空間は $2 \times 2 \times 2$ テンソルに対応し、主 A-行列式は 7 つの因子（6 つの 2 次小行列式と 1 つの $2 \times 2 \times 2$ 超判別式）から構成されます。これら因子の消滅パターンの組み合わせを網羅的に解析し、各パターンに対応するオイラー特性を計算しました。
   • $n \ge 2$ の場合: 因子の数が急増し、解析が複雑になります。特に、$2 \times 2 \times 3$ 超判別式の消滅や、3 次元以上のテンソルにおける「平坦化（flattening）」行列のランクが、単なる因子の消滅だけでは記述できないことを示しました。

3. 反例の構成:

   • 予想 1.3 が $n \ge 2$ で偽となることを示すために、$E_A$ の因子の消滅パターンが全く同じであるにもかかわらず、異なる ML 次数を持つ 2 つの係数テンソル $W$ と $W'$ を具体的に構成しました（Example 3.16）。これは、$2 \times 2 \times 3$ 超判別式がゼロであっても、その特異点の構造（平坦化行列のランク）が異なる場合に ML 次数が変化するためです。

4. 実現可能性の証明:

   • ML 次数が $1$から最大次数$\deg(X_n)$ までのすべての整数値を取りうることを示すために、「交互フック小行列式（alternating hook minors）」と呼ばれる特定の因子の集合を消滅させる係数 $W$ を構成するアルゴリズムを提案しました。

4. 主要な結果

4.1 予想 1.3 の解決と反例

• $n=1$ の場合: 予想 1.3 は成立します。主 A-行列式の因子の消滅パターンが一致すれば、ML 次数は一意に定まります（Theorem 1.6, part 1）。
• $n \ge 2$ の場合: 予想 1.3 は偽です。$2 \times 2 \times 3$ 超判別式がゼロになる場合、その因子の消滅パターンだけでは ML 次数を決定できず、さらに「平坦化行列のランク」などの幾何学的な情報が必要になります（Theorem 1.6, parts 2 & 3; Example 3.16）。

4.2 $P^1 \times P^1 \times P^1$ の完全なオイラー層化（Stratification）

$n=1$ の場合、係数空間の完全な層化を決定しました（Theorem 1.7）。
主 A-行列式の 7 つの因子の消滅パターンに応じて、41 のストレイタ（層）が存在し、それぞれの層で ML 次数は以下のように定まります：

• 因子が 0 個消滅：ML 次数 = 6
• 因子が 1 つ消滅：ML 次数 = 5
• 因子が 2 つ消滅：ML 次数 = 4
• 特定の 3 つの因子（立方体の角を共有するもの）が消滅：ML 次数 = 3
• 特定の 5 つの因子（立方フレームと超判別式）が消滅：ML 次数 = 2
• 全ての因子が消滅：ML 次数 = 1

4.3 ML 次数の実現可能性

$n \ge 1$ に対して、最大次数 $\deg(X_n) = (n+1)(n+2)$ 以下のすべての正の整数が、何らかの係数 $W$ に対して ML 次数として実現可能であることを証明しました（Theorem 1.8）。
これは、特定の因子の集合（交互フック小行列式など）を消滅させることで、交差点の数を制御し、任意の ML 次数を生成できることを示しています。

5. 意義と貢献

1. 統計的モデルの理解の深化: 3 方向の独立性モデルにおける ML 次数の振る舞いについて、単なる次数の上限だけでなく、係数の特異性（判別式の消滅）との詳細な関係を解明しました。
2. 予想の反証と修正: 以前に提唱されていた「因子の消滅パターンだけで ML 次数が決まる」という直感的な予想が、高次元（$n \ge 2$）では成立しないことを示し、より微細な幾何学的構造（平坦化のランクなど）の重要性を指摘しました。
3. 完全な分類の提供: $P^1 \times P^1 \times P^1$ におけるオイラー特性の完全な分類（41 層）を提供し、今後の研究の基礎となるデータセットを構築しました。
4. 実現可能性の肯定的回答: 統計的推定において、モデルの複雑さ（ML 次数）を意図的に制御できることを示し、モデル選択や計算コストの観点から重要な知見を提供しました。

総じて、本論文は代数統計における ML 次数の理論的基盤を強化し、トーリック多様体の幾何学と統計的推論の間の深い結びつきを明らかにした重要な成果です。