Résumé IA · arXiv: 2610.34651v2 · math.MG

Approximating the Euclidean Ball by Polytopes: Surprising Rates in High Dimensions

Yegor Gorodzha, Steven Hoehner, Gil Kur
Article original Soumis à arXiv le 26 Oct. 2026 71 pages, 1 figure, 1 table. v2: exposition and references revised for a broader audience Licence : NONEXCLUSIVE-DISTRIB 1.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

L’article établit les budgets de sommets nécessaires pour approximer une boule en grande dimension et montre que, à erreur fixe, ils sont sous-exponentiels, contrairement aux budgets de facettes.

Question

Combien de sommets faut-il pour approcher la boule euclidienne selon l’erreur relative de différence symétrique, lorsque la dimension et la précision varient ? Les auteurs étudient aussi la comparaison avec les facettes, l’hypercube et les constantes asymptotiques d’approximation.

Méthode

Les auteurs construisent des polytopes symétriques à partir de paires antipodales de points indépendants uniformes sur la sphère, puis analysent leur erreur par une loi de points de bord pondérée par les volumes des cônes des facettes. Pour les bornes inférieures, ils combinent une inégalité locale sur les simplexes, l’inégalité d’anti-concentration de Carbery–Wright et des estimations de mesure des calottes sphériques. Ils étudient également les coefficients asymptotiques à dimension fixée, puis lorsque la dimension tend vers l’infini.

Résultats

  • Résultat Pour les dimensions suffisamment grandes et les erreurs suffisamment petites, le logarithme du budget minimal de sommets est d’ordre d log(1 + 1/(ε√d)); la borne supérieure vaut pour toute erreur entre 0 et 1.
  • Résultat À erreur relative fixe, le budget minimal de sommets pour la boule est exp(Θε(√d)), tandis qu’un budget exponentiel en d est nécessaire pour les facettes.
  • Interprétation des auteurs L’hypercube exige exponentiellement plus de sommets en dimension pour une erreur fixe, ce qui réfute une extremalité de type Macbeath pour l’approximation sans contrainte d’inclusion.
  • Résultat Le coefficient asymptotique des sommets et le nombre de triangulation de Laguerre–Delone sont d’ordre d⁻¹ᐟ² lorsque la dimension tend vers l’infini.
  • Résultat Un même polytope symétrique fournit aussi une approximation gaussienne relative de toutes les dilatations de la boule, avec un logarithme du nombre de sommets au plus de l’ordre de √d/ε.

Limites

  • La borne à deux côtés pour le budget de sommets est établie pour les erreurs suffisamment petites, bien que la borne supérieure soit étendue à toute erreur entre 0 et 1.
  • Les auteurs laissent ouverte la question de savoir si exp(Oε(d)) sommets suffisent pour approximer toute forme convexe à erreur fixe.

Portée

Ces résultats montrent que la complexité dépend fortement de la description du polytope : à erreur fixe, les sommets permettent une approximation sous-exponentielle de la boule, alors que les facettes restent exponentiellement nombreuses. Ils précisent aussi les constantes asymptotiques pour les sommets et étendent l’amélioration aux corps convexes lisses à courbure gaussienne positive, selon les auteurs.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : approximation convexe différence symétrique polytope volume grande dimension

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
L’article étudie le nombre de sommets ou de facettes nécessaires pour approcher une boule euclidienne de grande dimension, lorsque l’erreur est mesurée par le volume de la différence symétrique, rapporté au volume de la boule. L’approximation par sommets est dite « non restreinte » : le polytope peut dépasser de la boule ou ne pas la contenir. Les auteurs comparent cette tâche à l’approximation par facettes, examinent le cas du cube et précisent certaines constantes asymptotiques classiques. Le résultat central fournit une estimation uniforme du nombre minimal de sommets. Pour une erreur cible suffisamment petite, le logarithme de ce nombre est, à des facteurs constants absolus près, de l’ordre de la dimension multipliée par le logarithme de un plus l’inverse de l’erreur multiplié par la racine carrée de la dimension. Cette formule décrit plusieurs régimes : pour une erreur fixe, le nombre de sommets requis croît comme l’exponentielle d’une quantité proportionnelle à la racine carrée de la dimension; lorsque l’erreur est de l’ordre de l’inverse de cette racine, le budget devient exponentiel en la dimension; pour des erreurs encore plus faibles, il est superexponentiel. En particulier, un nombre de sommets de l’ordre de l’exponentielle de la racine carrée de la dimension divisée par l’erreur suffit pour toute erreur comprise entre zéro et un. À l’inverse, pour une erreur fixe, une approximation par facettes exige un nombre exponentiel en la dimension. Les auteurs établissent notamment une borne inférieure explicite, dont le taux exponentiel dépend de l’erreur. La construction de la borne supérieure repose sur l’enveloppe convexe de paires antipodales de points choisis indépendamment et uniformément sur la sphère, puis sur un changement d’échelle destiné à équilibrer le volume. L’analyse de l’erreur s’appuie sur une loi exacte décrivant un point du bord, pondéré en fonction du volume du cône issu de l’origine. Le carré de sa distance se décompose en une hauteur de facette et une fluctuation tangentielle. Les fluctuations de ces deux termes se compensent suffisamment pour permettre un budget sous-exponentiel. Pour la borne inférieure, les auteurs triangulent le bord du polytope, établissent une comparaison locale sur chaque simplexe et appliquent une inégalité de concentration. Ils montrent ainsi que les directions de la sphère doivent être couvertes par des calottes centrées sur les directions des sommets. Cette stratégie ne s’étend pas à tous les corps convexes. Dans le cas du cube, les auteurs prouvent qu’une erreur fixe inférieure à un impose encore un nombre exponentiel de sommets en fonction de la dimension. La borne obtenue fait intervenir l’écart entre l’erreur et un, ainsi que le logarithme de cet écart. Ils construisent le même type d’obstacle pour une suite de corps lisses dont la courbure gaussienne est partout positive. Ainsi, contrairement au résultat classique concernant les approximants inscrits, la boule ne constitue pas, à constante universelle près, le cas le plus difficile pour l’approximation non restreinte. L’article améliore également l’ordre dimensionnel d’une constante asymptotique d’approximation par sommets : la constante de Laguerre–Delone est de l’ordre de l’inverse de la racine carrée de la dimension. Les bornes qui encadrent son coefficient principal diffèrent toutefois encore d’un facteur constant.

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 1 réécriture gratuite restante aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Continuer avec Google Créer un compte gratuit Se connecter

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero
Alertes de citation Guide des alertes de citations
Lettre hebdomadaire Présenté dans « Mathématiques et statistiques cette semaine » du 9 novembre 2026. Mathématiques et statistiques cette semaine : des désordres qui deviennent prévisibles

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Proche Contexte plus large
    Exponential improvements in Rado's covering problem
    G. Dall'Ara, A. Dumitrescu · 2026 · Pas encore résumé

    « Exponential improvements in Rado's covering problem » étudie la fraction de volume couverte par des boules unitaires disjointes, et non l’approximation de la boule par des polytopes.

    Résumé scientifique

    Let $B^d$ denote the $d$-dimensional Euclidean ball of unit radius. What is the largest constant $f(B^d) \in [0,1]$ with the property that every finite collection $\mathcal{C}$ of unit balls in $\mathbb{R}^d$ admits a disjoint sub-collection $\mathcal{S}$ occupying at least a fraction $f(B^d)$ of the volume of $\mathcal{C}$? This problem was first raised by T. Rad\'o in 1928, for axis-parallel squares in the plane; the author was motivated by a classical covering lemma in real analysis due to Vitali. The case of Euclidean balls was first considered by R. Rado in 1949. Until last year the best known estimates on $f(B^d)$ for unit balls where very far apart: \[ (1+\epsilon_d) 3^{-d} \leq f(B^d…

  2. Proche Contexte plus large
    Local Optimality of the d-cube for Laplacian Eigenvalues
    Braxton Osting, Robert Viator · 2026 · Pas encore résumé

    « Local Optimality of the d-cube for Laplacian Eigenvalues » analyse les valeurs propres et le rapport isopérimétrique du cube, plutôt que son approximation polyédrique.

    Résumé scientifique

    For each $d \ge 2$ we prove that the unit $d$-cube $\square_d \subset \mathbb{R}^d$ is, on the class $\mathcal{P}$ of convex polytopes combinatorially equivalent to a $d$-cube, (i) a strict local minimizer of the scale-invariant isoperimetric ratio $I(\Omega) = \tfrac{P(\Omega)^d}{|\Omega|^{d-1}}$, with $P$ the perimeter, (ii) a strict local minimizer of the volume-normalized first Dirichlet eigenvalue $\bar\lambda(\Omega) = |\Omega|^{2/d}\lambda_1(\Omega)$, and (iii) a strict local maximizer of the volume-normalized first Neumann eigenvalue $\bar\mu(\Omega) = |\Omega|^{2/d}\mu_1(\Omega)$. The method is a shape-derivative Hessian analysis adapted to the hyperoctahedral symmetry of the cube. …

  3. Proche Contexte plus large
    Quasipolynomial density bounds for $K$-point configurations in $\mathbb{Z}^d$
    Andrew Lott, Á. Magyar, N. R. Ponagandla · 2026 · Pas encore résumé

    « Quasipolynomial density bounds for K-point configurations in Z^d » étudie des ensembles entiers évitant des copies de simplexes, sans traiter l’approximation des boules.

    Résumé scientifique

    Let $d,K,N\in \mathbb{N}$ with $K\geq 3$ and $d\geq 4K+4$. Let $\Delta\subset \mathbb{Z}^d$ be the vertex set of a nondegenerate $(K-1)$-simplex, and let $A\subseteq[N]^d$ contain no nontrivial similar copy of $\Delta$. We prove that \[ |A|\ll_{\Delta,d} N^d\exp\!\left(-c_{\Delta,d}\sqrt{\log N}\right) \] improving upon a polylogarithmic bound due to Magyar. We perform a density increment argument using the circle method, and we introduce a ``cut operator''method to decouple the weighted exponential sum over the system of quadratic forms describing the simplex. Our proof combines ideas from graph theory, functional analysis, and the geometry of numbers. In the process, we apply Finner's frac…

  4. Proche Contexte plus large
    Joint Lower Bounds for Zeroth-Order Nonconvex Optimization on Euclidean Balls
    Hai-Han Zhang, Wen-Dao Wu, Chen-Heng Zhang et al. · 2026 · cité 3 fois · Pas encore résumé

    « Joint Lower Bounds for Zeroth-Order Nonconvex Optimization on Euclidean Balls » établit une borne de complexité d’optimisation sur une boule, non une borne d’approximation géométrique.

    Résumé scientifique

    We prove a joint stochastic zeroth-order lower bound for Goldstein stationarity on a Euclidean query ball, even when the ball is guaranteed to contain a stationary point. In dimension $d$, let $f=\mathbb{E}[F(\cdot;\xi)]$, assume $\mathbb{E}[\operatorname{Lip}(F(\cdot;\xi))^2]\le L_0^2$, and bound the initial objective gap over the ball by $\Delta$. For neighborhood radius $\delta>0$ and residual tolerance $\varepsilon>0$, our smooth hard family requires $\Omega(dL_0^2\Delta/(\delta\varepsilon^3))$ scalar evaluations for success probability $1/2$, against randomized adaptive algorithms that may retain and repeatedly query each sampled function. The result holds for $\varepsilon\le cL_0$, $\D…

  5. Proche Contexte plus large
    Hyperbolic intersection graphs and (quasi)-polynomial time
    Sándor Kisfaludi-Bak · 2018 · Computational Geometry · cité 23 fois · Résumé IA disponible

    « Hyperbolic intersection graphs and (quasi)-polynomial time » étudie des graphes de boules en espace hyperbolique et la complexité d’algorithmes, non les polytopes approchant une boule.

    Résumé scientifique

    We study unit ball graphs (and, more generally, so-called noisy uniform ball graphs) in $d$-dimensional hyperbolic space, which we denote by $\mathbb{H}^d$. Using a new separator theorem, we show that unit ball graphs in $\mathbb{H}^d$ enjoy similar properties as their Euclidean counterparts, but in one dimension lower: many standard graph problems, such as Independent Set, Dominating Set, Steiner Tree, and Hamiltonian Cycle can be solved in $2^{O(n^{1-1/(d-1)})}$ time for any fixed $d\geq 3$, while the same problems need $2^{O(n^{1-1/d})}$ time in $\mathbb{R}^d$. We also show that these algorithms in $\mathbb{H}^d$ are optimal up to constant factors in the exponent under ETH. This drop in d…

  6. Proche Contexte plus large
    Tusnády's problem and online two-sample thinning
    Yuhao Lei · 2026 · Combinatorics · Résumé IA disponible

    « Tusnády's problem and online two-sample thinning » établit des bornes de discordance pour des boîtes alignées et leur application à l’échantillonnage en ligne.

    En bref

    L’article établit des ordres optimaux de discrépance pour le problème de Tusnády et la sélection en ligne de deux échantillons, avec des résultats distincts pour les préfixes et les résultats terminaux.

  7. Proche Contexte plus large
    Sharp Antipode-Neighbor Bounds in Every Dimension
    Samuel Korsky · 2026 · cité 1 fois · Pas encore résumé

    « Sharp Antipode-Neighbor Bounds in Every Dimension » relie les paires proches et presque antipodales dans des ensembles de diamètre borné, plutôt que d’approximer une boule.

    Résumé scientifique

    Let $P\subset\mathbb R^d$ be finite with $\operatorname{diam}(P)\le1$. For $0<\varepsilon<1$, let $\mathcal N_\varepsilon(P)$ denote the number of ordered pairs at distance at most $\varepsilon$, including the diagonal, and let $\mathcal A_\varepsilon(P)$ denote the number of ordered pairs at distance at least $1-\varepsilon$. We prove the sharp bound \[ \mathcal N_\varepsilon(P)\gtrsim_d \varepsilon^{(d-1)/2}\mathcal A_\varepsilon(P) \] conjectured by Steinerberger (2025). More generally, the same inequality holds for finite positive Borel measures. The main input is a uniform $L^2$ estimate, at cap thickness comparable to lattice spacing, for a supporting-direction incidence operator. In g…

  8. Proche Contexte plus large
    MINVO Basis: Finding Simplexes with Minimum Volume Enclosing Polynomial Curves
    Jesus Tordesillas, Jonathan P. How · 2020 · Computational Geometry · cité 50 fois · Résumé IA disponible

    « MINVO Basis » construit des simplexes de volume minimal contenant des courbes polynomiales, tandis que l’article étudie l’approximation de boules par des polytopes.

    Résumé scientifique

    Outer polyhedral representations of a given polynomial curve are extensively exploited in computer graphics rendering, computer gaming, path planning for robots, and finite element simulations. Bézier curves (which use the Bernstein basis) or B-Splines are a very common choice for these polyhedral representations because their non-negativity and partition-of-unity properties guarantee that each interval of the curve is contained inside the convex hull of its control points. However, the convex hull provided by these bases is not the one with smallest volume, producing therefore undesirable levels of conservatism in all of the applications mentioned above. This paper presents the MINVO basis,…

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 9 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.