🔢 mathematics

Non-Archimedean Polydisc Spaces and Applications to Optimisation

本文引入了一种受 Berkovich 几何启发的非阿基米德多圆盘空间优化新框架，确立了其度量性质，证明了其嵌入层次化数据及支持通用逼近的能力，并提供了关于极小值的理论保证以及一个用于实现的开源 Julia 库。

原作者： Paul Lezeau, Yiannis Fam, Anthea Monod, Yue Ren

发布于 2026-06-09

📖 1 分钟阅读🧠 深度阅读

原作者： Paul Lezeau, Yiannis Fam, Anthea Monod, Yue Ren

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在试图组织一个庞大的信息图书馆。在现实世界中，我们经常使用平面地图（如城市网格）或 3D 模型来理解事物之间的关系。但某些数据，例如家谱、进化史或单词如何构建成句子，并不是平面的。它们是一种层级结构（Hierarchy）：一种分支结构，其中一切都分裂成越来越小的组。

问题在于，我们的标准数学工具（基于实数）非常不擅长处理这种分支树。如果要把一棵树强行放入平面地图，你必须将其拉伸得非常厉害，导致项目之间的距离发生扭曲。这就像试图将一个地球仪展平在一张纸上而不使其撕裂一样；你最终会得到一团乱麻。

这篇论文介绍了一种处理这类数据的新方法，使用的是一种特殊的数学，称为非阿基米德几何（Non-Archimedean geometry）。你可以将其想象为一种“树原生（tree-native）”的数学系统，在这里，距离的规则是不同的。在这个世界里，如果你有三个点，其中两个点之间最远的距离，永远不会超过任何两点间最长的那一步距离。这创造了一个自然的、完美的树状结构。

然而，这里有一个陷阱：虽然这种“树数学”在表示数据方面表现出色，但在**优化（Optimization）**方面却表现糟糕（即寻找最优解）。这棵树充满了尖锐的棱角和不连贯的分支，导致标准的“梯度下降法”（计算机用来沿山坡下滑的方法）会卡住或失效。你无法在树上平滑地滑动；你必须从一个分支跳到另一个分支。

解决方案：多圆盘空间（Polydisc Spaces）

作者提出了一个巧妙的变通方案。他们构建了一个新的几何空间，称为多圆盘空间。

类比： 想象这棵树是一个骨架。作者为这个骨架包裹了一层柔软、连续的“皮肤”或“雾气”。
作用： 这个新空间保留了原始数据的完美树状结构（因此保留了层级关系），但它填补了间隙。现在，你不再需要在不连贯的分支之间跳跃，而是可以沿着一条路径（“测地线”）在点与点之间平滑行走。
结果： 你得到了两全其美的效果：数据保持其自然的树状形状，但你现在可以使用平滑、连续的数学来寻找最优解。

工具：“绝对多项式”（Absolute Polynomials）

为了在这个新空间中找到最佳解决方案（最小值），作者发明了一种特殊类型的函数，称为绝对多项式。

隐喻： 将这些函数想象成“智能尺子”。在标准数学中，尺子线性地测量距离。而在这种新空间中，这些尺子是由拼接在一起的直线段组成的。
重要性： 这些尺子足够灵活，可以近似任何你投喂给它的数据形状（具有“通用近似”属性），但它们也足够简单，使得计算机可以快速计算。它们将一个混乱、复杂的问题转化为一系列简单的、分段式的步骤。

如何寻找最佳解决方案（优化）

一旦有了空间和尺子，他们就需要一种实际寻找“最低点”（最佳答案）的方法。由于该空间的核心仍然是一棵树，他们改编了几种搜索策略：

最佳优先下降（Best-First Descent）： 就像一个总是选择最陡峭路径向下的徒步旅行者。他们观察所有紧邻的下一步，并选择能让数值下降最多的那一步。
梯度下降（Gradient Descent）： 利用他们的“智能尺子”所提供的“斜率”来决定移动方向，类似于球沿着山坡滚下。
蒙特卡洛树搜索（MCTS）： 这就像一个国际象棋计算机。它不仅仅只看一步，而是模拟许多可能的未来路径，探索最有希望的路径，并在“尝试新路径（探索）”与“坚持看起来不错的路径（利用）”之间取得平衡。
确定性乐观优化（Deterministic Optimistic Optimisation）： 这种方法假设未探索区域可能存在最好的结果，并有系统地缩小搜索范围，以确保不会错过隐藏的宝藏。

证明：一个软件库

作者不仅编写了理论；他们还构建了一个软件库（使用 Julia 编程语言编写），名为 NonArchimedeanMachineLearning.jl。

他们在各种问题上测试了他们的想法：

求解方程： 寻找多项式的根（即结果为零的点）。
拟合数据： 寻找最适合一组点的直线或曲线（如线性回归）。
学习函数： 尝试推测一组随机数据点背后的规则。

结果：
他们的实验表明，蒙特卡洛树搜索（MCTS） 方法通常是最有效的。与仅仅看一步的简单“贪婪”方法相比，它更擅长在复杂的、分支状的景观中导航。然而，较简单的方法速度更快。该库证明了你确实可以在这些“树原生”空间上高效地进行机器学习和优化。

总结

简而言之，这篇论文说：“如果你的数据是一棵树，不要强行把它放在平面地图上。构建一个既是树又表现得像平滑表面的新数学世界。在这个世界里，我们可以定义简单的规则来寻找最佳答案，并且我们已经编写了一个计算机程序来证明它是行之有效的。”

他们提供了数学、算法和代码来使这一切成为可能，为分析诸如家谱、语言结构和复杂网络等层级数据开启了大门。

技术摘要：非阿基米德多圆盘空间及其在优化中的应用

1. 问题陈述

层次化数据分析在系统发育学、基因组学、语言学和社会学等领域广泛存在。虽然层次结构自然地诱导了非阿基米德几何结构（通常可视化为度量树），但在实数域 ( $\mathbb{R}$ ) 上忠实地捕捉这些结构是非常困难的。将此类数据嵌入到 $\mathbb{R}^n$ 中通常需要高维空间或双曲几何，但这可能无法保留内在的超度量（ultrametric）特性。

相反，直接在非阿基米德域（如 $p$ 进数 $\mathbb{Q}_p$ ）上工作虽然能保留层次结构，但会给优化带来显著挑战。这些域的拓扑结构是全不连通的，禁止使用标准的连续优化技术（如梯度下降）。因此，非阿基米德空间上的优化问题往往会退化为计算成本高昂的组合搜索。

本文解决的核心问题是缺乏一种能够同时满足以下条件的几何框架：

通过非阿基米德几何忠实地表示层次化数据。
提供一个适用于标准优化技术（如测地线、凸性、梯度）的连续、路径连通的定义域。

2. 方法论与框架

作者受 Berkovich 几何 的启发，提出了一个新框架，引入 多圆盘空间 ( $B^n$ 和 $H^n$ ) 作为优化的定义域。

2.1 多圆盘空间

作者并非直接在非阿基米德空间 $K^n$ 中工作，而是将多圆盘空间定义为非阿基米德域 $K$ （例如 $\mathbb{Q}_p$ 或劳伦级数域）上的闭球乘积。

结构： $B^n$ 由绝对半径形式的圆盘 $B_B(a, r)$ 或估值半径形式的圆盘 $B_H(a, v)$ 组成。
几何特性： 这些空间保留了 $K^n$ $K^{n}$ 的刚性层次结构（嵌套、互不重叠的集合），同时获得了 $K^n$ $K^{n}$ 所缺失的理想几何特征：
- 路径连通性： 空间通过测地线是连通的。
- 测地线： 该空间是唯一测地空间的（对于 $n=1$ 或 $1 < p < \infty$ ），允许定义两点之间的路径。
- 凸性： 基于测地线定义了凸包的概念。
- 切方向： 通过切方向引入了类微积分结构，切方向被定义为从某点出发的测地线的等价类。这使得定义方向导数成为可能。

2.2 函数理论

作者引入了一类实值函数，称为 绝对多项式 和 估值多项式。

定义： 给定一个系数在多圆盘域中的多项式 $f$ ，该函数将一个多圆盘 $B$ 映射为 $|f(z)|$ （或 $val(f(z)) $）在$ z \in B$ 上的上确界。
性质： 这些函数具有显式的求值公式。至关重要的是，它们沿测地线是 分段多项式（在绝对情形下）或 分段线性/热带（在估值情形下）的。
通用逼近： 作者证明了一个通用逼近定理（定理 45），表明绝对多项式的线性组合可以逼近 $B^n$ 上紧集上的任何连续函数。

2.3 嵌入度量树

本文确立了度量树可以自然地且通常是等距地嵌入到双曲多圆盘空间 $H^1$ 中。

准则： 如果树顶点的最大度数受限于 $|K| + 1$ ，且边长对应于 $K$ 的估值群的值，则存在等距嵌入。
域扩张： 如果不满足这些条件，该框架提供了一个构造性程序，通过扩展基域 $K$ （通过扩展其值群或剩余域）来实现嵌入，而无需修改之前已嵌入的子树。

2.4 优化理论

本文开发了一种用于最小化形式为 $\ell = \sum a_i |f_i|$ 的函数的理论，其中 $a_i > 0$ 且 $f_i$ 是多项式。

极小值存在性： 定理 52 和 55 确立了极小值存在的条件。具体而言，如果多项式零集的射影闭包在仿射空间 $K^n$ 内相交，或者它们永不相交，则存在全局最小值。
局部化： 在一元情况下，所有全局极小值都限制在由多项式系数决定的有界区域内（定理 62）。
算法： 作者将多种优化策略适配到了多圆盘设定中：
- 最佳优先下降 (Best-First Descent)： 多圆盘的贪婪细化。
- 最佳优先梯度下降 (Best-First Gradient Descent)： 利用方向导数来选择最速下降分支。
- 确定性乐观优化 (Deterministic Optimistic Optimisation, DOO)： 利用基于函数 Lipschitz 特性的置信上限，平衡探索与利用。
- 蒙特卡洛树搜索 (MCTS)： 将 MCTS 适配到多圆盘空间，包括针对更高维多圆盘（其中节点可能有多个父节点）的 DAG-MCTS 变体。

3. 核心贡献

几何框架： 引入了多圆盘空间（ $B^n, H^n$ ）作为非阿基米德优化的计算可行路径连通定义域，弥合了离散层次化数据与连续优化之间的鸿沟。
函数类： 定义并分析了绝对多项式和估值多项式，证明了它们沿测地线的分段结构及其通用逼近能力。
优化理论： 证明了在零集具有特定几何条件下，正线性组合绝对多项式的全局最小值存在性，并推导了一元情况下极小值的显式界限。
算法适配： 制定了针对多圆盘空间层次化、分支几何结构的优化算法（最佳优先、梯度下降、DOO、MCTS）。
软件实现： 开发并发布了 NonArchimedeanMachineLearning.jl，这是一个实现了几何对象、函数类和优化算法的开源 Julia 库。

4. 结果与实验发现

作者使用其 Julia 库进行了计算实验，以验证理论框架：

多项式求根： 算法成功收敛到 $\mathbb{Q}_p$ 上的多项式根。在简单的求根任务中，MCTS 和最佳优先方法表现出比 DOO 更快的收敛速度。
绝对多项式和最小化： 算法被用于最小化绝对值多项式的和。在处理更复杂的损失景观时，MCTS 和 DAG-MCTS 通常在最终损失方面优于贪婪方法，尽管计算成本更高。
多项式插值： 该框架通过最小化平方误差损失，成功解决了插值问题（寻找经过给定点的多项式系数）。
函数学习： 作者展示了使用绝对多项式作为假设类来学习函数（逼近二元标签）的能力。
性能： MCTS 类方法在各项任务中取得了最佳的平均排名，但在执行复杂任务时，相比于贪婪下降法，需要更多的函数求值和运行时间。实验证实，增加 MCTS 的模拟次数可以提高性能。

5. 意义与主张

本文声称为非阿基米德空间上的优化和机器学习提供了数学和计算基础。其意义在于：

统一表示与优化： 它提供了一个单一的空间（ $B^n$ ），既作为层次化数据的自然表示（通过等距树嵌入），又作为优化的定义域（通过测地线和梯度）。
克服拓扑障碍： 通过从全不连通的域 $K^n$ 转向路径连通的多圆盘空间 $B^n$ ，作者使得此前无法应用于非阿基米德优化的梯度下降法和树搜索法成为可能。
实际可行性： NonArchimedeanMachineLearning.jl 库的开发证明了这些理论构建在计算上是可行的，为处理层次化数据提供了一个研究工具，这与现有的双曲或高维欧几里得方法截然不同。

作者指出，虽然目前的框架侧重于绝对多项式，但该方法是模块化的，可以扩展到更广泛的函数类。他们将这项工作定位为处理层次化数据的一种新范式的概念验证。