Publication

Motivic Donaldson-Thomas invariants for the one-loop quiver with potential

2015
Journal Articles

Résumé

We compute the motivic Donaldson-Thomas invariants of the one-loop quiver, with an arbitrary potential. This is the first computation of motivic Donaldson-Thomas invariants to use in an essential way the full machinery of (mu) over cap -equivariant motives, for which we prove a dimensional reduction result similar to that of Behrend, Bryan and Szendroi in their study of degree- zero motivic Donaldson-Thomas invariants. Our result differs from theirs in that it involves nontrivial monodromy.

Source officielle

https://infoscience.epfl.ch/entities/publication/967db754-0fc1-45cb-bc38-46ad5e7f5dd7

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

2015
Journal Articles

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/967db754-0fc1-45cb-bc38-46ad5e7f5dd7

À propos de ce résultat

Concepts associés (11)

Réduction de la dimensionnalité

vignette|320x320px|Animation présentant la projection de points en deux dimensions sur les axes obtenus par analyse en composantes principales, une méthode populaire de réduction de la dimensionnalité La réduction de la dimensionnalité (ou réduction de (la) dimension) est un processus étudié en mathématiques et en informatique, qui consiste à prendre des données dans un espace de grande dimension, et à les remplacer par des données dans un espace de plus petite dimension.

Carquois (théorie des catégories)

Un carquois est une collection d'arcs joignant des couples de points. En ce sens, il s'agit d'un graphe orienté, mais la notion intervient en physique théorique ainsi qu'en théorie des représentations, des groupes et des catégories de manière naturelle. En effet, une catégorie est un carquois doté d'une structure supplémentaire : nommément la présence d'identités et de compositions. On parle donc de carquois lorsque l'on souhaite évoquer ce contexte catégorique (ou de représentation), plutôt que de (multi-di-)graphe orienté.

Nonlinear dimensionality reduction

Nonlinear dimensionality reduction, also known as manifold learning, refers to various related techniques that aim to project high-dimensional data onto lower-dimensional latent manifolds, with the goal of either visualizing the data in the low-dimensional space, or learning the mapping (either from the high-dimensional space to the low-dimensional embedding or vice versa) itself. The techniques described below can be understood as generalizations of linear decomposition methods used for dimensionality reduction, such as singular value decomposition and principal component analysis.

Afficher plus

Publications associées (30)

Reduced representations of complexes, signals, and multifiltrations

Celia Camille Hacker

The field of computational topology has developed many powerful tools to describe the shape of data, offering an alternative point of view from classical statistics. This results in a variety of complex structures that are not always directly amenable for ...

EPFL2022

Generalised Implicit Neural Representations

Pierre Vandergheynst

We consider the problem of learning implicit neural representations (INRs) for signals on non-Euclidean domains. In the Euclidean case, INRs are trained on a discrete sampling of a signal over a regular lattice. Here, we assume that the continuous signal e ...

2022

node2coords: Graph Representation Learning with Wasserstein Barycenters

Pascal Frossard, Ntorina Thanou, Effrosyni Simou

In order to perform network analysis tasks, representations that capture the most relevant information in the graph structure are needed. However, existing methods learn representations that cannot be interpreted in a straightforward way and that are relat ...

IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC2021

Afficher plus