상자나 방의 모서리처럼 세 개의 수직한 변이 만나는 곳은 이미지에서 한 점에서 만나는 세 선분으로 나타난다. 우리는 이러한 접합부가 보정되지 않은 카메라의 내부 매개변수에 대해 무엇을 드러내는지 묻는다. 각 접합부는 카메라들의 명시적인 볼록 집합과 일치하며, 초점 거리만 알려지지 않은 경우 이 집합은 닫힌 형태의 구간이 된다. 이러한 집합은 이미지만으로 계산되므로 여러 접합부로부터의 보정은 볼록 실현 가능성 문제가 된다. 거의 모든 접합부는 초점 거리의 하한을 제공하며, 우리는 언제 상한도 제공하는지, 그리고 언제 여러 접합부가 초점 거리를 정확히 결정하는지를 규명한다. 꼭짓점이 알려진 경우, 측정된 변 방향의 임의의 유계 오차에 대해 경계를 인증할 수 있다.
본 논문은 두 블록 얕은 ReLU 패턴 다양체에 대한 완전한 대수적 특성화를 제시한다. 활성화 패턴이 부과하는 랭크 제약에서 비롯되는 행렬식 방정식들이 정의 아이디얼을 생성함을 보이며, 이를 통해 Alexandr-Montúfar의 추측을 증명한다. 집합론적 증명은 크로네커 표준형(Kronecker canonical form)을 이용한 행렬 다발(matrix pencil)의 궤도 폐포 특성화를 사용한다.
본 논문은 어텐션 아키텍처를 유도하기 위한 기하학적 프레임워크를 제시한다. 시퀀스는 메모리 $m\in M_n$을 형성하며, 어텐션 페어링 $\rho_n\colon M_n\to\operatorname{Hom}(A,A)$은 그 메모리가 각 토큰 상태에 작용하는 방식을 결정한다. 이 작용의 서로 다른 표현은 익숙한 아키텍처를 복원한다. 소프트맥스 어텐션은 개별 키-값 쌍을 읽고, 선형 어텐션은 그 기여를 행렬 통계량에 누적하며, Intention은 키에서 값으로의 회귀 맵을 적합한다. 이 프레임워크는 또한 쿼리-키 페어링의 기하, 각 값이 담는 함수, 또는 메모리를 표현하는 공간을 바꿈으로써 새로운 아키텍처를 제안한다. ImageNet-1K 실험은 기하학적 CAFormer 변형, 쿼리 의존적 값을 가진 ViT, 더 넓은 메모리 표현을 가진 선형 ViT를 통해 이러한 구성들을 보여 준다.
ReLU 패턴 다양체는 ReLU 네트워크에서 규정된 활성화 패턴 집합에 대응하는 아핀 사상 계수들 사이의 다항식 관계를 기록한다. 우리는 편향이 없는 ReLU 네트워크의 정준 활성화 패턴 집합의 조합론이 그 패턴 다양체의 기하에 어떻게 반영되는지를 연구한다. 특히 패턴 안정성의 개념을 도입하고, 얕은 네트워크에 대해 패턴 안정성과 조합적 안정성을 특성화한다. 연관된 벽 그래프가 연결되어 있고 모든 뉴런 레이블의 간선을 포함할 때, 연관된 패턴 다양체의 정의 아이디얼을 명시적으로 결정하여 Alexandr와 Montúfar의 문제를 해결한다. 우리는 레이블 조합적 동치, 정준 패턴 집합의 동일성 및 순열 동치, 그리고 연관된 다양체의 동치를 연결하는, 점차 약해지는 동치 관계의 위계를 확립한다. 마지막으로 함수적 차원을 패턴 사상의 미분과 연결하고, 모든 깊이에서 이것이 정준 패턴 다양체의 차원으로 위에서 유계임을 보인다. 퇴화하지 않는 얕은 네트워크에 대해서는 함수적 차원의 정확한 공식을 제시하며, 모든 얕은 구조에 대해 함수적 차원은 전체 르베그 측도를 갖는 열린 조밀 집합 위에서 정준 패턴 다양체의 차원과 같다.
연속 구간별 선형 함수 $f:\mathbb{R}^{n_0} \to \mathbb{R}$와 고정된 피드포워드 ReLU 신경망 구조가 주어졌을 때, 정확한 함수 실현 문제는 해당 구조의 네트워크가 언제 $f$를 실현하는지를 묻는다. 반면 표현력은 주어진 구조가 정확히 실현할 수 있는 모든 함수를 특성화하는 문제이다. 이러한 질문을 체계적으로 다루기 위해, 우리는 토릭 기하와 ReLU 신경망 사이의 연결을 확립하여 대수기하학의 도구로 그 구조를 분석할 수 있게 한다. 유리수 가중치를 갖는 편향 없는 ReLU 네트워크에서 출발하여, 해당 네트워크와 연관된 ReLU 팬(fan), ReLU 토릭 다양체, ReLU Cartier 인자를 정의한다. 본 연구는 또한 열대 기하와 토릭 기하를 연관 짓는데, 전자는 ReLU 네트워크의 조합론적 데이터를 포착하고 후자는 그 기저의 기하 구조를 복원한다. 응용으로서, 유리수 가중치를 갖는 편향 없는 얕은 ReLU 네트워크로 실현 가능한 함수에 대한 완전한 특성화를 얻는다. 이 특성화는 ReLU Cartier 인자와 토러스 불변 곡선의 교차수로 표현되며, 구간별 선형 함수를 얕은 성분과 비얕은 성분으로 분해하는 결과로 이어진다.
모든 열린집합 $U \subseteq \mathbb{R}^n$에 대하여, 정의 가능한 $C^1$ 퍼텐셜 $F \colon U \to \mathbb{R}$의 모든 기울기 궤적 $\theta(t)$, $t \geq 0$의 구면 사영이 유한한 길이를 가지며, 특히 수렴함(방향 수렴)을 증명한다. 다시 말해, 정의 가능한 $C^1$ 퍼텐셜의 모든 기울기 궤적은 유한한 총 각 운동을 가진다. 여기서 정의 가능이란 실수체를 확장하는 임의의 o-minimal 구조에서 정의 가능함을 뜻한다. 특히 이 결과에서 기울기 궤적은 추가 가정 없이 기울기 흐름 미분방정식(해가 유일하지 않을 수 있음)의 임의의 해이며, 궤적은 유계가 아니어서 무한대로 발산할 수도, 수렴할 수도 있다. 따라서 확립된 정리는 정의 가능 퍼텐셜에 대한 무한대에서의 기울기 추측과 정의 가능 Thom 기울기 추측 모두에 긍정적인 답을 제공한다. 또한 결론을 유클리드 계량에서 리만 계량을 포함하는 일반적인 주변 계량 부류로 확장하고, 기울기 흐름 궤적의 구면 사영 길이에 대한 균등 국소 상계를 확립한다. 마지막으로 이 결과를 심층 신경망(DNN) 학습에 적용하여, 활성화 함수와 손실 함수가 정의 가능하고 연속적으로 미분 가능한 경우 DNN 학습 흐름의 구면 사영이 항상 수렴함(방향 수렴)을 결론짓는다.
최소 채움 아키텍처는 다항식 신경망의 신경다양체가 주변 함수 공간을 채우는 데 필요한 가장 작은 은닉층 너비를 기술한다. 모든 최소 채움 아키텍처는 은닉층 너비가 단봉형(unimodal)일 것이라는 추측이 제기되어 있었다. 우리는 경계 탐색(frontier search)을 사용하여 이 추측에 대한 반례를 구성하고, 유한체 야코비안 계산과 재귀적 차원 상계를 통해 주된 예시를 검증한다. 반대 방향으로, 깊이가 3 이하인 모든 최소 채움 아키텍처가 단봉형임을 증명한다. 깊이 4의 비단봉형 최소 채움 아키텍처는 이 깊이 한계가 날카로움(sharp)을 보여 준다.
파노 지수가 1이고 $d>200$이며 일반 원소가 터미널 특이점을 갖는 파노 $4$-폴드 초곡면 $X_d\subset\mathbb(a_1,\ldots,a_6)$의 새로운 족 $46{,}992$개를 구성한다. Brown과 Kasprzyk가 분류한 $11{,}617$개의 준매끄러운(quasismooth) 족과 달리, 이들은 준매끄럽지 않으며, 터미널성을 판정하려면 초몫(hyperquotient) 특이점의 분석이 필요할 수 있다. 전수 탐색으로 $d\leq200$인 모든 비준매끄러운 족이 분류되었으나, 이 분류를 더 높은 차수로 확장하는 것은 계산적으로 엄두를 낼 수 없다. 따라서 터미널 예의 희소성과 공간적 군집성을 활용하여 $\mathbb{Z}^6$ 위에서 두 가지 최선 우선 탐색을 사용한다. 하나는 고정된 휴리스틱을 쓰고, 다른 하나는 심층 강화학습으로 온라인 학습한 신경망을 쓴다. 두 탐색을 합쳐 차수 $3{,}234$까지 도달한다. 신경망은 추가로 실행당 평균 $79$개의 도달하기 어려운 족을 발견한다. 가장 고립된 예에 대해, 보수적인 거리 기반 모델은 그러한 족 하나를 발견하는 데 고정 탐색 전체 단계 예산의 거의 $40\%$에 달하는 추정 하한을 제시한다. 절제 연구는 이러한 이점이 확률적 탐색만이 아니라 신경망에서 비롯됨을 보여 준다. 족의 전체 목록은 공개되어 있다.
짝수 차수의 모든 실 구면 조화함수는 그 거울상과 합동이다. 우리는 서로 다른 Maxwell 축을 갖는 홀수 차수 $n\ge3$의 실 구면 조화함수가 그 거울상과 합동일 필요충분조건이, 이진 형식으로 정의되는 종수 $n-1$의 초타원 곡선이 그 형식에 $-1$로 작용하는 리프트를 갖는 짝수 위수의 축약 자기동형사상을 가지는 것임을 증명한다. 이어서 이러한 곡선들의 자취를 결정한다. 이는 $n-1$이 2의 거듭제곱일 때에 한해 추가 대합을 갖는 곡선들의 자취와 같고, 그렇지 않으면 $n-1$의 각 짝수 약수 $k$(여인수 $d\ge3$은 홀수)에 대해 일반 축약 자기동형군이 $\Z/2k$인 기약 족 $y^2=x K(x^{2k})$, $\deg K=d$도 포함한다. $n=3$일 때 이 조건은 이진 6차식의 반대칭 불변량이 0이 되는 것이다. 응용으로, 등각 무게중심으로 정규화한 등각 매개변수화에서 종수 0 곡면의 절단된 구면 조화함수 전개의 불변량은, 매개변수화, 위치, 크기에 대해 정확히 불변이고, 손잡이성(handedness)을 기록하며, 궤도 거리에서 안정한 기술자를 제공한다.
잠재적으로 고차원인 실수 공간의 확률 분포에서 추출된 독립항등분포(i.i.d.) 표본이 주어졌을 때, 본 논문에서는 해당 분포가 미리 정해진 차원, 유계된 차수(degree), 유계된 조건수(condition number)를 갖는 실 대수적 완전 교차(real algebraic complete intersection) 근처에 밀집되어 있는지를 검정하는 문제를 연구합니다. 본 연구는 근사 임계값(approximation threshold)의 제어된 완화 범위 내에서 이러한 다양체(manifold)의 부존재를 증명하거나, 기하학적 복잡도가 제어된 후보 회귀 다양체를 반환하는 명시적이고 효과적인 학습 절차를 설계합니다. 이는 해당 가설 클래스 내에서 다양체 가설(manifold hypothesis)을 검정하는 것과 동일합니다. 제안된 절차는 정규 다항식 시스템에 대한 정량적 기하학적 추정치에 의존하며, 이는 다루기 쉬운 보조 최적화 문제로 이어집니다. 이후 이 보조 최적화 문제를 해결하기 위한 데이터 기반 알고리즘을 개발하고, 표본 복잡도 및 산술 복잡도에 대한 명시적인 한계를 도출합니다.
회전 불변 기술자(rotation-invariant descriptor)를 비교하는 인식기는 표면을 그 기술자의 파이버(fiber)까지만 구별할 수 있다. 우리는 이 파이버를 등록된 표면으로부터의 궤도 거리(orbit distance)상 반경으로 측정한다. 반경이 크면 디코이(decoy), 즉 매처(matcher)를 통과하는 먼 거리의 형태가 허용된다. 반경이 작으면 저장된 값을 확보한 누구에게나 등록된 형태가 노출된다. 차수가 $L$ 이하인 구면조화함수(spherical harmonics)로 절단되고 계수가 $n$개인 별 모양(star-shaped) 표면에 대해, 일반적 랭크(generic rank)가 $r$인 기술자는 회전을 법으로 하여 차원이 $n-3-r$인 일반적 파이버를 갖는다. 따라서 밴드 파워(band power), 짝수 비스펙트럼(even bispectrum), 그리고 3차 밴드의 세 불변량으로 이루어진 표준 풀(pool)은 $L=4,6,8$에서 각각 차원 $5$, $13$, $20$인 디코이 패밀리를 허용한다. 이 풀의 랭크는 $L=16$에서 처음으로 $n-3$에 도달하며, 거울 디코이(mirror decoy)는 모든 $L$에서 남는다. 홀수 비스펙트럼(odd bispectrum)은 $L \geq 4$에서 일반적으로 거울 디코이를 제거한다. 그러나 평균 반경이 고정된 경우 동일한 풀은 둘러싸인 부피를 정확히 결정하지만, 표면이 여유 거리 요구조건(clearance requirement)을 충족하는지는 결정하지 못한다. 우리는 엄밀 연산(exact arithmetic)과 구간 연산(interval arithmetic)으로 두 가지 사례를 검증한다. $L=6$에서 한 디코이는 등록된 튜플의 노름(norm)의 $0.87$배 이상인 궤도 거리에서 $32$개의 불변량 전체를 상대 정밀도(precision) $2 \cdot 10^{-18}$로 일치시킨다. 소행성(asteroid) (101955) 베누(Bennu)의 레이더 형태 모델(radar shape model)에 대해, 이 풀은 모델링된 부피는 복원하지만 손잡이성(handedness)은 놓치며, 진입 제한 반경(keep-out radius)을 $7 \, \mathrm{m}$ 이상 불확실하게 남긴다.
프레넬 파동 곡면(Fresnel wave surface)은 투명한 이축 결정(biaxial crystal) 내에서의 빛의 전파를 지배합니다. 이는 특수한 쿠머 4차 곡면(Kummer quartic)이며, 본 논문에서는 이를 정확하게 규명합니다. 복소수체 상에서 결정의 파동 곡면은 세 가지 주요 유전율의 부호가 붙은 제곱근에서 분기하는 명시적인 종수 2(genus-two) 곡선의 야코비안에 대한 쿠머 곡면입니다. 이 야코비안은 위수가 4인 커널을 갖는 아이소제니(isogeny)를 통해 두 타원곡선의 곱과 아이소제너스(isogenous)합니다. 하나의 타원곡선은 세 유전율을 전달하고, 다른 하나는 광축각(optic-axis angle)을 전달합니다. 물리적 족(physical family)은 여분의 대합(involution)을 갖는 종수 2 곡선들의 궤적에서 자리스키 조밀(Zariski dense)하며, 그 자기동형사상 층화(automorphism strata)는 명시적입니다. 이러한 식별은 성가신 변환(nuisance transformation)만큼 차이 나는 파라미터를 식별하고 불변 좌표와 명시적 층화를 전달하는 태스크 인식 몫(task-aware quotient)을 구체화합니다. 이축 결정의 경우, 유전율의 두 비는 회전 및 재스케일링에 대해 파동 곡면의 완전 불변량을 형성하며, 4개의 실수 노드는 닫힌 형식(closed form)으로 주어집니다. 경계면에서 투과파 후보들은 정확히 4차인 4차 다항식의 근입니다. 이 다항식의 실근 개수, 근의 순서, 중근 발생 사건은 정확한 대수적 술어(predicate)에 의해 결정되며, 본 논문의 일반적인 단일 노드 조우를 따라 판별식은 2차로 소멸합니다. 부동소수점 솔버는 광축 근처에서 순방향 투과 모드를 누락하지만, 인증된 솔버(certified solver)는 그렇지 않습니다. 정확한 동치류에서, 몫 좌표를 기반으로 학습된 모델은 원시 텐서를 기반으로 한 모델보다 불변성을 가지며 더 정확한 반면, 학습된 실근 개수 술어는 광축 근처에서 실패합니다.
파피안 함수(Pfaffian functions)로 표현되는 매끄러운 초곡면의 관형 근방(tubular neighbourhood) 부피 한계를 유도하여 대수 다양체에 대한 기존 결과를 일반화하고, 이를 신경망 분류기의 강건성 분석에 적용하여 조건수(condition number) 분포에 대한 꼬리 한계를 도출한다. 특히 유리수 가중치를 가진 단일 은닉층 시그모이드 네트워크의 경우, Khovanskii 정리 기반의 지수적 한계를 우회하여 너비에 대해 다항식인 한계를 증명한다.
우리는 임의의 유한 군 $G$에 대한 다항식 군 합성곱 신경망(PGCNN)을 연구한다. 특히 차분 군 대수(graded group algebra)의 언어를 사용하여 PGCNN을 위한 새로운 수학적 틀을 제안한다. 이 틀은 Hadamard 곱과 Kronecker 곱에 기반한 두 가지 자연스러운 아키텍처 매개변수화를 제공하며, 선형 사상으로 서로 연결된다. 우리는 관련 neuromanifold의 차원을 계산하고, 이것이 층 수와 군의 크기에만 의존함을 검증한다. 또한 Kronecker 매개변수화의 일반 fiber를 정규 군 작용(regular group action)과 스케일 재조정(rescaling)까지 포함하여 기술하고, Hadamard 매개변수화에 대한 유사한 기술을 추측한다. 이 추측은 작은 군과 얕은(shallow) 네트워크에 대한 명시적 계산으로 뒷받침된다.
본 논문에서는 lightning self-attention의 다항식 계수를 대수다양체(algebraic variety)의 좌표로 연구한다. 단일 토큰(token)의 경우, 계수 다양체를 랭크 제약이 있는 Chow 유형의 다양체로 특징짓고 이 설명으로부터 대수 방정식을 도출한다. 다중 토큰의 경우, 선형 관계를 통해 비선형 기하학을 서로 다른 토큰 간의 상호작용을 포함하는 계수들로 축소한다. 본 연구는 결과로 나타나는 다양체를 공통 일차 인수와 나머지 인수에 대한 로우 랭크(low-rank) 조건으로 특징짓는다. 이러한 구조는 행렬식(determinantal), 베로네제(Veronese) 유형 및 실베스터 종결식(Sylvester resultant) 기반 불변량의 명시적 계열들을 생성한다. 랭크 1(rank-one)인 경우, 자연스러운 펜슬(pencil) 및 편평화(flattening) 방정식이 다양체를 집합론적으로 정의한다. 또한 저차원에서의 계산으로 이러한 결과들을 보완하며, 여기서 이론적 구성을 통해 정의 아이디얼(defining ideal)의 생성원들을 복원한다. 전반적으로, 본 논문은 lightning self-attention에 의해 다항식 계수 배열에 부과되는 대수적 제약 조건들에 대한 구조적 설명을 제공하고, 실현 불가능성(non-realizability)에 대한 명시적 증명서(certificate)를 제시한다.
본 논문에서는 단일 합성곱 층(layer) 내 필터들의 기하학적 매개변수화(parametrization)를 제안합니다. 여기서 매개변수(parameter)는 더 이상 정렬된 필터 벡터들의 패밀리가 아니라, 필터 공간의 고정 차원 부분공간입니다. 1차원 유한 스트라이드 합성곱의 경우, 필터와 합성곱 연산자 간의 대응 관계는 단사 선형 사상 $\mathcal{C}:\mathcal{K}\to H$를 제공합니다. 이 사상은 $\mathrm{Gr}(q,\mathcal{K})$의 필터 부분공간을 $\mathrm{Gr}(q,H)$의 연산자 부분공간으로 보내며, 이를 플뤼커 임베딩(Plücker embedding)과 합성하면 사영 매개변수화 $Φ:\mathrm{Gr}(q,\mathcal{K})\to\mathbb{P}(\bigwedge^q H)$를 얻게 됩니다. 본 연구는 $T_U\mathrm{Gr}(q,\mathcal{K})\cong\mathrm{Hom}(U,\mathcal{K}/U)$를 활용하여 유도된 그라스만 사상의 미분을 계산하고, 모든 점에서 $Φ$의 미분이 단사임을 보입니다. 이어서 플뤼커 좌표의 소멸 방정식과 그라스만 다양체 상의 표준 아핀 좌표를 사용하여 $\mathrm{Gr}(q,\mathcal{C}(\mathcal{K}))\hookrightarrow\mathrm{Gr}(q,H)$가 닫힌 임베딩(closed embedding)임을 증명하고, 따라서 $Φ$ 또한 닫힌 임베딩임을 보입니다. 그 결과 매개변수 공간은 해당 사영 이미지와 동형(isomorphic)이 되고, 매개변수화는 이미지 위로 유한하며 쌍유리적(birational)이고, 모든 파이버(fiber)는 단원 집합(singleton)이며, 결과로 나타나는 사영 신경 다양체(projective neural variety)는 매끄럽습니다(smooth). $k=4$ 및 $q=2$의 경우, Singular를 활용하여 이미지 아이디얼(ideal)을 복원하고 차원, 차수, 차트 랭크 및 매끄러움을 확인합니다. 이 계산은 일반적인 증명을 대체하는 것이 아니라 예시로서 보여줍니다. 마지막으로, 수치적 검증(validation)이 필요한 응용 제안과 증명된 기하학적 결과를 구분하면서, 필터 중복성 및 저차원(low-rank) 합성곱과의 잠재적 연관성에 대해 논의합니다.
가우시안 그래픽 모델(GGM)은 해석 가능한 구조 학습(structure learning)에 필수적인 도구이다. 그러나 고차원·소표본(high-dimensional, small-sample) 체제에서는 이용 가능한 데이터가 최대 가능도 추정량이 존재하기에 종종 불충분하다. 색 칭 가우시안 그래픽 모델(CGGM)은 그래프 색칭(graph coloring)을 통해 대칭 제약을 부과함으로써 이 한계를 완화하며, 필요 표본 크기를 줄인다. 추정량이 거의 확실하게(almost surely) 존재함을 보장하는 데 필요한 최소 관측 수를 최대 가능도 임계값(maximum likelihood threshold, MLT)이라 정의한다. 본 연구에서는 CGGM의 MLT 계산을 그 기하학적 정식화에 초점을 두어 다룬다. 즉, 표본 공분산 행렬의 투영이 거의 확실하게 충분통계량의 원뿔(cone of sufficient statistics) 내부에 놓이도록 하는 최소 rank를 구하는 문제이다. 무색(uncolored) 모델에서 색 칭 모델로 결과를 확장하고 새로운 기호(symbolic) 알고리즘을 도입하는 통합 이론적 틀을 정립한다. 더 나아가 충분통계량 원뿔의 국소 기하를 조사하기 위해 샘pling과 위상수학적 데이터 분석(topological data analysis, TDA)을 통합한 계산 연구를 제시한다. 우리 결과는 CGGM의 가능도 기하(likelihood geometry) 분석에서, 특히 Gröbner basis 계산을 비롯한 전통적 기호 대수 방법의 계산 병목을 극복할 TDA의 잠재력을 보여준다.
본 논문에서는 등변(equivariant) 다중 헤드 자기 어텐션(MHSA)에 대한 완전한 특성화(characterization)를 제시한다. MHSA 층(layer)이 대칭군(symmetry group) $G$에 대해 등변성을 만족하면, $G$는 오직 헤드 클러스터를 치환함으로써만 작용할 수 있으며, 이때 QK 및 OV 행렬은 해당 군 작용과 연계된 등변성 제약 조건을 만족해야 한다. 그 결과로, 제약 없는 MHSA 매개변수(parameter)를 다항식 형태로 매개변수화하여 엄밀한 등변성을 달성하는 어떠한 고정된 MHSA 아키텍처도 등변 사상(equivariant map) 클래스 내에서 필연적으로 표현력 손실(loss)을 초래함을 증명한다. 제약 없는 MHSA의 등변성 궤적(equivariance locus)은 축소된 매개변수 공간에서 극히 많은 자리스키 기약 성분(Zariski-irreducible components)의 합집합을 형성하며, 단일 아키텍처는 기껏해야 그중 하나만을 포괄할 수 있다. 토큰(token) 특징(feature) 공간으로서 정규 표현의 $C$개 복사본에 작용하는 $G=D_4$의 경우, 8개의 어텐션(attention) 헤드에 대해 $\Omega(C^{64})$개의 성분이 존재함을 보인다.
다항 방정식 시스템을 푸는 표준 엔진인 Gröbner 기저 계산의 효율은 단항식 순서(monomial ordering) 선택에 달려 있다. 가능한 단항식 순서가 거의 연속에 가깝게 많음에도 불구하고, 대부분의 구현은 GrevLex와 같은 정적 휴리스틱에 의존하며 주로 전문가 직관에 기대고 있다. 우리는 허용 가능한 순서 공간 위에서 단항식 순서 선택을 강화학습 문제로 공식화함으로써 이 공백을 메운다. 우리 접근법은 Gröbner 기저 계산의 계산 비용을 정확히 반영하는 도메인 정보 기반 보상 신호를 활용하며, 효율적인 몬테카를로 추정이 가능하다. 시스템 생물학과 컴퓨터 비전(CV)의 벤치마크 문제에 대한 실험에서, 학습된 정책은 표준 휴리스틱을 일관되게 능가하여 계산 비용을 크게 줄였다. 더 나아가 이러한 정책은 단순하고 해석 가능한 모델로의 지식 증류(distillation)에 잘 견디지 못하는 것으로 나타났으며, 이는 심층 강화학습이 에이전트(agent)가 전통적 휴리스틱의 범위를 넘는 비선형 기하 구조를 활용할 수 있게 한다는 실증적 증거를 제공한다.
심층 학습(deep learning)의 이론적 문제들에서 동기를 얻어, 서로 다른 상수가 아닌 다항식 유한 개를 충분히 큰 차수의 일반(generic) 다항식과 사후 합성(post-composition)하면 선형 독립인 다항식들이 얻어진다는 추측을 제시한다. 이는 다항식의 거듭제곱에 관한 Newman–Slater 정리를 일반화한 것이다. 우리는 이 추측과 원점을 지나는 변형(origin-passing variant)의 여러 경우를 증명한다. 다항식이 두 개인 경우, 그리고 다항식의 차수가 유계일 때 임의 개수의 다항식에 대해 결과를 증명한다. 나아가, 이 추측이 일반 다항식 활성화 함수를 갖는 심층 완전 연결 신경망(neural network) 아키텍처의 식별 가능성(identifiability, 즉 매개변수(parameter) 대칭성)에 대한 완전한 이해를 함의함을 보인다. 특히 층(layer)별로 차수가 증가하는 활성화 함수를 갖는 네트워크 아키텍처의 경우, 우리가 증명한 추측의 버전들은 동일한 종단 간(end-to-end) 네트워크 함수를 만드는 매개변수 집합을 완전히 규명한다. 특수한 경우로서, 얕은 다항식 네트워크의 식별 가능성을 완전히 해결한다.