[論文レビュー] An Efficient Algorithm for Factoring Polynomials over Algebraic Extension Field

Yao Sun, Dingkang Wang|arXiv (Cornell University)|Jul 14, 2009

Polynomial and algebraic computation参考文献 12被引用数 4

ひとこと要約

本稿では、多項式環の極大イデアルによって定義される代数拡大体上での多項式の因数分解のための新しい効率的アルゴリズムを提示する。線形写像を用いて問題を基底体上の単変数因数分解に還元し、既存のグレブナー基底を再計算せずに活用することで、特に複雑なケースにおいて顕著な高速化を達成しており、ワングのアルゴリズムなど既存手法を上回る優れた性能を示している。

ABSTRACT

A new efficient algorithm is proposed for factoring polynomials over an algebraic extension field. The extension field is defined by a polynomial ring modulo a maximal ideal. If the maximal ideal is given by its Groebner basis, no extra Groebner basis computation is needed for factoring a polynomial over this extension field. Nothing more than linear algebraic technique is used to get a polynomial over the ground field by a generic linear map. Then this polynomial is factorized over the ground field. From these factors, the factorization of the polynomial over the extension field is obtained. The new algorithm has been implemented and computer experiments indicate that the new algorithm is very efficient, particularly in complicated examples.

研究の動機と目的

• 既存手法が計算的に高コストとなるような状況においても、代数拡大体上での多変数多項式因数分解のためのより効率的なアルゴリズムの開発。
• 拡大体が極大イデアルによって定義され、そのグレブナー基底が既知である場合に、追加のグレブナー基底計算を必要としないようにすること。
• 線形代数的手法を用いて、拡大体上での因数分解問題を基底体上での単変数因数分解に変換すること。
• 追加計算なしに既約因数を検証可能であることを保証し、従来の確率的アプローチの限界を克服すること。
• 特に対象が特徴量ゼロおよび有限体である場合の性能を向上させ、特に高次元または複雑な系において有効であること。

提案手法

• アルゴリズムは、拡大体上の多項式を基底体上の多項式に持ち上げるための一般化された線形写像を用い、因数分解問題を基底体上での単変数因数分解に還元する。
• 拡大体内の代数的関係を符号化する特性多項式を持つ、商環 $ \mathcal{A}_k(Q) = k[x_1,\dots,x_n]/I $ 上の線形写像 $ m_r $ に依存する。
• イデアル $ I $ が極大であるとき、$ m_r $ の最小多項式は既約となり、変換過程で体構造が保たれる。
• 拡大体を定義する極大イデアル $ I $ の入力グレブナー基底を再利用することで、グレブナー基底の再計算を回避する。
• 基底体上での因数分解は標準的な単変数因数分解を用い、その結果を線形写像を介して拡大体に戻す。
• アルゴリズムは Magma で実装され、Maple 7 のワングのアルゴリズムと比較されており、複雑な例において顕著な性能向上が確認された。

実験結果

リサーチクエスチョン

• RQ1 極大イデアルによる代数拡大体上での多項式因数分解を、グレブナー基底の再計算なしに基底体上での単変数因数分解に還元することは可能か？
• RQ2 線形代数と既存のグレブナー基底を活用することで、代数拡大体上での因数分解の効率をどのように向上させられるか？
• RQ3 一般化された線形写像の使用が、因数分解プロセスの計算量と正しさに与える影響は何か？
• RQ4 本手法によって得られる既約因数は、追加計算なしに検証可能であるか？完全性と正しさを保証できるか？
• RQ5 本アルゴリズムの実行時間とスケーラビリティの観点から、ワングのアルゴリズムなどの既存手法と比較して性能はどの程度か？

主な発見

• 新アルゴリズムはワングのアルゴリズムを顕著に上回り、$ f^{(9)} $ の因数分解においては 63.578 秒で完了したのに対し、ワングのアルゴリズムは 2 時間でタイムアウトした。
• $ f^{(3)} $ では、新アルゴリズムが 0.734 秒、ワングの手法が 12.171 秒で、16 倍の高速化が達成された。
• 本アルゴリズムは高次元系において特に効率的である：7 変数、次元 64 の $ f^{(10)} $ は 96.344 秒で解けたが、ワングの手法は 2 時間を超えてしまった。
• 一般化された線形写像の使用により、変数置換と擬似剰余写像に依存するワングの手法で生じる係数の拡大問題を回避できた。
• 特性多項式の計算の計算量は多項式時間であるのに対し、ワングの手法では指数時間の特徴集合計算を伴うため、性能差の理由が説明できる。
• 本アルゴリズムは完全かつ検証可能である：追加の検証ステップなしに既約因数が保証される。これはモノイコの不完全な一次分解手法とは対照的である。