[論文レビュー] A Tight Composition Theorem for the Randomized Query Complexity of Partial Functions

Shalev Ben-David, Göös, Mika+2 more|arXiv (Cornell University)|Jan 1, 2020

Complexity and Algorithms in Graphs参考文献 20被引用数 6

ひとこと要約

この論文は、部分関数に対するランダム化合成予想が成り立たないことを証明することで、クエリ複雑度における長年の未解決問題を解決した。具体的には、f と g という部分ブール関数の族に対して、R(f∘g) が R(f)R(g) よりも著しく小さく、多項式的にも小さくなる例が存在する。著者らは、f をノイジィな入力で計算する最小コストを特徴付ける新しい測度 noisyR(f) を導入し、R(f∘g) = Ω(noisyR(f) ⋅ R(g)) というタイトな合成定理を証明した。この定理は最適であり、ギャップメジャリティ関数との合成を通じて明確な特徴付けを提供する。

ABSTRACT

Suppose we have randomized decision trees for an outer function f and an inner function g. The natural approach for obtaining a randomized decision tree for the composed function (f∘ gⁿ)(x¹,…,xⁿ) = f(g(x¹),…,g(xⁿ)) involves amplifying the success probability of the decision tree for g, so that a union bound can be used to bound the error probability over all the coordinates. The amplification introduces a logarithmic factor cost overhead. We study the question: When is this log factor necessary? We show that when the outer function is parity or majority, the log factor can be necessary, even for models that are more powerful than plain randomized decision trees. Our results are related to, but qualitatively strengthen in various ways, known results about decision trees with noisy inputs.

研究の動機と目的

• ランダム化合成予想を解決すること。この予想は、すべてのブール関数 f と g に対して R(f∘g) = Ω(R(f)R(g)) が成り立つと仮定している。
• 部分関数の合成が、個々の複雑度の積よりも超多項式的な節約をもたらす可能性があるかを調査すること。
• f をノイジィな入力で計算するコストを捉える新しい測度 noisyR(f) を定義・特徴付け、タイトな合成定理に不可欠であることを示すこと。
• 任意の測度 M(f) がすべての f, g に対して R(f∘g) = Ω(M(f)R(g)) を満たすならば、noisyR(f) = Ω(M(f)) が成り立つことを示し、合成定理 R(f∘g) = Ω(noisyR(f)R(g)) の最適性を確立すること。
• noisyR(f) を √n-ギャップメジャリティ関数との合成によって明確に特徴付けること。

提案手法

• ノイジィオラクルモデルを導入し、f の各クエリに対して真の入力のノイジィなバージョンが返されるものとし、このモデル下での最小クエリ複雑度を noisyR(f) として定義する。
• ギャップメジャリティ関数に基づく再帰的構成を用いて、R(f∘g) が R(f)R(g) よりも多項式的に小さい特定の部分関数 f と g の例を構築し、ランダム化合成予想の反例を示す。
• 情報理論的技術、特に分布間のヘルンガー距離とジェンセン・シャノン距離を用いて、一般の合成定理 R(f∘g) = Ω(noisyR(f) ⋅ R(g)) を証明する。
• f∘g の計算を、f に対するノイジィオラクルと g に対する標準オラクルを用いたシミュレーションによって実現できることを示し、下界を確立する。
• noisyR(f) を、noisyR(f) = Θ(R(f∘GapMajn)/R(GapMajn)) という恒等式で特徴付ける。ここで GapMajn は n ビット上の √n-ギャップメジャリティ関数である。
• 任意の測度 M(f) がすべての f, g に対して R(f∘g) = Ω(M(f)R(g)) を満たすならば、noisyR(f) = Ω(M(f)) が成り立つことを示し、合成定理の最適性を確立する。

実験結果

リサーチクエスチョン

• RQ1 ランダム化合成予想は部分ブール関数に対しても成り立つのか。すなわち、すべての部分関数 f と g に対して R(f∘g) = Ω(R(f)R(g)) が成り立つか。
• RQ2 合成関数 f∘g のランダム化クエリ複雑度は、R(f)R(g) よりも著しく小さくなる可能性があるか。もしそうなら、どの程度小さくなるか。
• RQ3 部分関数の設定において、合成関数のランダム化クエリ複雑度を特徴付ける正しい測度は何か。
• RQ4 合成定理 R(f∘g) = Ω(noisyR(f)R(g)) は最適か。より強い測度がより良い合成境界をもたらす可能性があるかを示せるか。
• RQ5 noisyR(f) は、ギャップメジャリティ関数のような既知の自然な関数を用いて特徴付けられるか。

主な発見

• ランダム化合成予想は誤りである。部分ブール関数 f と g が存在し、R(f∘g) が R(f)R(g) よりも多項式的に小さくなる。このとき、両辺とも f の入力サイズに関して多対数的である。
• 著者らは、f をノイジィなオラクル入力で計算するコストを測る新しい測度 noisyR(f) を導入し、すべての f と g に対して R(f∘g) = Ω(noisyR(f) ⋅ R(g)) を証明した。
• 合成定理は最適である。任意の測度 M(f) がすべての f, g に対して R(f∘g) = Ω(M(f)R(g)) を満たすならば、noisyR(f) = Ω(M(f)) が成り立つ。これは、より強い測度がより良い合成境界をもたらせないことを意味する。
• 測度 noisyR(f) は明確な特徴付けを持つ。noisyR(f) = Θ(R(f∘GapMajn)/R(GapMajn)) であり、ここで GapMajn は n ビット上の √n-ギャップメジャリティ関数である。
• 反例の構築は、ギャップメジャリティ関数に基づく再帰的かつ自己同型的な構造に依存しており、ノイジィな入力が合成設定で効率的にシミュレートできることを活用している。
• 証明技術には、ヘルンガー距離とジェンセン・シャノン距離を含む情報理論的道具が用いられ、f∘g の計算をノイジィオラクルと標準オラクルに還元する、新しいシミュレーション論法が含まれる。