Classification of real hyperplane singularities by real log canonical thresholds

技术摘要：实超平面奇异性的分类及其实对数正则阈值

问题陈述
对数正则阈值（log canonical threshold, lct）是双有理几何中用于衡量代数簇奇异性复杂程度的基本不变量。其对应的实数版本——实对数正则阈值（real log canonical threshold, rlct），也被称为学习系数（learning coefficient），在统计学和机器学习中对于奇异统计模型（例如高斯混合模型和神经网络）的模型选择及误差估计至关重要。虽然 rlct 及其重数（multiplicity）是 Watanabe 的奇异贝叶斯信息准则（sBIC）以及体积积分渐近分析中的核心参数，但针对一般情形的显式计算方法在历史上一直受到限制，多局限于特定示例或坐标超平面排列。

本文旨在解决系统性计算一般类实超平面排列（即包含线性形式幂次的非简化情形）的 rlct 和重数的问题。作者旨在推导这些不变量的显式组合公式，并提供一个连接实数与复数奇异性理论的通用代数框架。

方法论
作者采用了双有变量形技术，特别是针对实数环境调整后的对数解析（log resolutions）和吹胀（blow-ups）技术。该方法论通过以下步骤进行：

1. 代数基础： 本文建立了复数对数正则阈值与实数对数正则阈值之间的严密联系。利用“奇妙紧化”（wonderful compactifications，由 De Concini 和 Procesi 引入）的概念来构建超平面排列的对数解析。
2. 实数与复数的对齐： 一个核心理论组成部分是证明对于实超平面排列（由实系数线性形式的乘积定义），其实对数正则阈值及其重数与其复数对应项一致。这是通过证明实排列的对数解析中的素除子（prime divisors）始终包含实点，并满足特定条件（引理 3.5 和 3.6），从而允许将结果从复数域转移到实数域来实现的。
3. 组合公式： 利用超平面排列的交集格（intersection lattice）和构造集（building sets）理论，作者推导了 rlct 和重数的公式。这些公式依赖于超平面的交集的余维数（codimension）以及定义这些交集的线性形式的幂次之和。
4. 实现： 这些理论结果通过一个 SageMath 软件包进行实现，利用线性代数来计算交集及必要的组合数据。

主要贡献与结果

• 通用代数理论： 本文提供了一个充分条件（引理 3.5），在该条件下实对数正则阈值 $\lambda_R$ 等于复数对数正则阈值 $\lambda_C$，以及一个关于其重数相等的更强的条件（引理 3.6，即 $m_R = m_C$）。这些结果使此前在文献中被提及的断言（如 Saito 所述）得以形式化和证明。
• 超平面排列的组合公式：
  • 定理 4.2： 利用构造集 $G$，为中心超平面排列（线性形式的乘积）提供了 $\lambda_C$ 和 $m_C$ 的显式公式。阈值由 $\min_{W \in G} \frac{\text{codim}(W)}{s(W)}$ 给出，其中 $s(W)$ 是包含交集 $W$ 的超平面的幂次之和。
  • 定理 4.3： 证明对于任何实超平面排列 $f$，$\text{rlct}(f) = \text{lct}(f)$。这使得可以直接应用复数情形的组合公式到实数情形。
  • 推论 4.4： 基于交集格 $L(A)$ 给出了实对数正则阈值 $\lambda_R$ 和重数 $m_R$ 的最终组合公式。
• 向非中心排列的扩展： 注记 4.5 表明，限制在中心排列并非损失一般性。非中心排列的全局 rlct 可以通过最小化由经过环境空间中每个点的超平面所构成的中心排列的局部 rlct 来确定。
• 对渐近性的应用： 本文阐释了这些不变量如何决定高维体积积分的渐近行为，该积分形式为 $V(\epsilon) = \int_{|f(w)| \leq \epsilon} \phi(w) dw$，当 $\epsilon$ 较小时，其行为表现为 $C\epsilon^{\lambda}(-\ln \epsilon)^{m-1}$。
• 软件实现： 作者提供了一个 SageMath 实现（列表 1），能够高效计算超平面排列的 rlct 和重数。基准测试表明，该代码在处理类似输入的对数正则阈值时，比现有的 Macaulay2 实现速度显著更快。

意义
本文声称其意义主要在于为广泛的实超平面排列类提供了首个系统的、显式的实对数正则阈值及其重数的组合公式。通过推广此前仅限于坐标排列或特定统计模型的成果，这项工作提供了一个连接复数双有理几何与奇异学习理论的统一代数理论。

研究结果使得直接计算奇异统计模型中所需的学习系数（用于 sBIC）成为可能，从而促进了更好的模型选择和误差估计。此外，提供的 SageMath 实现为研究人员提供了一个实用的工具，使其无需进行逐例的几何分析，即可分析高维空间中的体积积分和奇异性的渐近行为。本文强调，这些贡献使此前零散的结果形式化，并扩大了双有理几何和统计学习理论中可计算不变量的范围。