首页/论文/0901.3179

arXiv 0901.31792009-01math.ACmath.DS

多项式映射合成的一种矩阵表示

A matrix representation of composition of polynomial maps

Ural Bekbaev

备注：: A need for the new version arose as far as the generalization of the Bombieri's inequality presented in the previous one turned out to be wrong

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文用一对多指标矩阵表示多项式映射，并引入了一种新的乘积。给出了多项式映射复合的一种矩阵表示。在实数和复数的情况下，引入了这类矩阵的不同类型的范数。这些规范的普通和新产品的性质进行了研究。本文给出了一个推广的Bézieri不等式.

英文摘要：

In this paper polynomial maps are represented by the use of matrices whose entries are numbered by pair of multiindices and a new product of such matrices is introduced. A matrix representation of composition of polynomial maps is given. In the case of real and complex numbers different kind of norms of such matrices are introduced. Properties of these norms with respect to the ordinary and new products are investigated. A generalization of Bombieri's inequality is offered.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

关于多项式的函数复合

On function compositions that are polynomials

对于多项式映射$\mathbf{f} : k^n \to k^m$（$k$ a域），我们研究了可以写成复合$g = h \circ \mathbf{f}$的多项式$g \in k[t_1,\ldots, t_n]$，其中$h: k^m \to k$是任意函数.在$k$是特征$0$的代数闭的且$\mathbf{f}$是满射的情况下，我们证明了$g = h \circ \mathbf{f}$蕴含$h$是多项式.

2016-01-08math.AC

复合碰撞与射影多项式

Composition collisions and projective polynomials

多项式的泛函分解是纯代数和计算机代数及其应用中的一个重要课题。在许多情况下，有限域上（适当规范化的）多项式f=g（h）的合成结构已得到很好的理解，但当两个分量的次数都可被特征p整除时，其结构就很差了。这项工作研究了次数为p的幂的多项式的分解。

2010-05-06cs.SCmath.AC

有限域上的线性多项式映射

Linearized polynomial maps over finite fields

我们考虑所谓的“（多元）线性多项式”描述的多项式映射。这些多项式是用一个固定的素数幂来定义的，比如q。线性化多项式没有混合项。考虑特征零域上不含混合项的可逆多项式映射，我们将只得到（直到变量的线性变换）三角映射，这是多项式自同构的最基本的例子。然而，在有限域上，由线性化多项式定义的F_q自同构（通常）具有完全不同的结构。也就是说，我们将证明F_q上的线性化多项式映射与系数在F_q上的一元多项式环中的矩阵一一对应。此外，多项式映射的合成转化为矩阵乘法，这意味着可逆线性化多项式映射对应于可逆矩阵。线性化多项式自同构子群的这种交替描述导致了许多著名的代数（最著名的是雅可比猜想）的解决方案，这类多项式和多项式映射。

2012-10-08math.ACmath.AG

二次齐次多项式映射$H$和Keller映射PDMATHAAB与$3 \le {\rm rk} J H \le 4$

Quadratic homogeneous polynomial maps $H$ and Keller maps $x+H$ with $3 \le {\rm rk} J H \le 4$

我们手工计算了任意特征域上的所有二次齐次多项式映射$H$和所有形式为$x + H$的Keller映射，其中${\rm rk} J H = 3$。此外，我们使用计算机的支持来计算Keller映射的形式$x + H$与${\rm rk} J H = 4$，即：$\bullet$所有这样的地图在维度$5$域与$\frac12$ ; $\bullet$所有这样的地图在维度$6$域没有$\frac12$。我们利用这些结果证明了在任意特征域上的下列结果：对于Keller映射$x + H$，其中${\rm rk} J H \le 4$，$J H$的行依赖于基域.

2017-11-02math.AC

多项式映射的一种求逆算法

An inversion algorithm for polynomial maps

我们提出了一个算法等价声明的雅可比猜想。给定一个n维仿射空间上的多项式映射F，我们的算法构造了n个多项式序列，使得F可逆当且仅当所有n个序列中都有零多项式，并计算了F的逆映射.该算法给出了仿射空间的多项式自同构的分类。

2015-06-04math.AC

满射多项式映射的局部-整体原理

A local-global principle for surjective polynomial maps

设$R$是特征为零的仿射域，其特征向量为有限。证明了$R$上的多项式映射是满射的当且仅当它是$\hat{R_{\mathfrak{m}}}$上的满射，$R$是$\mathfrak{m}$的完备化，对每个极大理想$\mathfrak{m} \subseteq R$。事实上，完备化$\hat{R_{\mathfrak{m}}}$可以由包含$R$的任意子环来替换。我们利用这个结果得到满射多项式映射的一个特征，并指出内射多项式映射不存在类似的原理。

2019-09-25math.AC

更多相关论文收起更多论文

Keller映射的一个刻划

A characterization of Keller maps

设k是特征为零的域。设φ是多项式代数k[x_1，…，x_n]。已知φ是自同构当且仅当它将不可约多项式映射到不可约多项式。本文证明了φ满足雅可比条件的充要条件是它将不可约多项式映射为无平方多项式。因此，雅可比猜想等价于以下陈述：k[x_1，...，x_n]，将不可约多项式映射到无平方多项式，将不可约多项式映射到不可约多项式。

2011-12-09math.ACmath.AG

多项式映射下点和曲线原像的计算

Computing preimages of points and curves under polynomial maps

本文给出了两个计算多项式自同态下曲线原像的算法。特别地，这给出了计算点的原像的有效方法。此外，我们解释了抽象的设置下，可以迭代计算的多项式自同构的逆。

2010-05-03math.ACmath.AG

关于多项式乘法映射的X-Boardman符号

On the Thom-Boardman Symbols for Polynomial Multiplication Maps

Thom在1956年首次引入了B-Boardman符号来对可微映射的奇点进行分类。后来，博德曼将其推广到更一般的环境中。虽然B-Boardman符号是由一系列非递增的非负整数来实现的，但一般来说，计算这些数字是非常困难的。在多项式乘法映射的情况下，罗伯特·瓦利（Robert Varley）指出，计算多项式乘法的B-Boardman符号简化为计算应用于两个多项式的次数的欧几里得算法的连续幂次和幂次。在本文中，我们证实了这个猜想。

2009-02-09math.ACmath.AG

图的多项式和谱因子分解：通过迭代广义图组合的运算得到的图

Polynomial and spectra factorization of graphs obtained by iteration the operad of generalized graph composition

本文基于广义图组合运算的迭代，利用Schroder树和边着色，推广了图的邻接谱、拉普拉斯矩阵以及通用邻接矩阵的因子分解方法。

2026-04-29math.ACmath.COmath.CT

多项式复合的线性独立性与深度神经网络的可识别性

Linear Independence of Polynomial Compositions and Identifiability of Deep Neural Networks

KTH Stockholm（瑞典皇家理工学院）；Digital Futures（数字未来机构）；AI4S AB Stockholm（AI4S AB 斯德哥尔摩公司）；University of Ferrara（费拉拉大学）

该研究针对深度学习理论问题提出多项式复合线性独立的猜想，证明了若干情形，还将其应用于完全解决浅层多项式网络等深度全连接神经网络的可识别性问题。

2026-08-28cs.LGmath.ACmath.AG