[論文レビュー] Complexity of Inference in Graphical Models

Venkat Chandrasekaran, Nathan Srebro+1 more|arXiv (Cornell University)|Jun 13, 2012

Bayesian Modeling and Causal Inference参考文献 32被引用数 82

ひとこと要約

この論文は、グラフィカルモデルにおける効率的推論を可能にする構造的性質として、木幅（treewidth）が唯一のものであるかどうかを調査している。Robertsonら（1994）の組合せ的仮説のもとで、著者らは、木幅が有界でない任意のグラフィカルモデルのクラスでは、多項式時間での推論が不可能であることを証明しており、最悪ケースにおいては、木幅が唯一の構造的基準として効率的推論を保証していることを示している。

ABSTRACT

It is well-known that inference in graphical models is hard in the worst case, but tractable for models with bounded treewidth. We ask whether treewidth is the only structural criterion of the underlying graph that enables tractable inference. In other words, is there some class of structures with unbounded treewidth in which inference is tractable? Subject to a combinatorial hypothesis due to Robertson et al. (1994), we show that low treewidth is indeed the only structural restriction that can ensure tractability. Thus, even for the "best case" graph structure, there is no inference algorithm with complexity polynomial in the treewidth.

研究の動機と目的

• グラフィカルモデルにおける効率的推論を保証する構造的性質として、木幅が唯一のものであるかどうかを特定すること。
• 木幅が有界でないクラスのグラフィカルモデルであっても、多項式時間での推論が可能である可能性があるかどうかを調査すること。
• 広く受け入れられた組合せ的予想のもとで、低木幅が効率的推論に必要不可欠であることを確立すること。
• 標準的な木幅に基づく効率的推論枠組みを超えた推論の構造的複雑性を解明すること。

提案手法

• 著者らは、構造的グラフ理論を用いて、グラフィカルモデルにおける推論の複雑性を分析している。
• 彼らの主な仮定として、Robertsonら（1994）による特定のグラフマイナーの存在に関する予想を用いている。
• 証明技法は、推論問題をグラフの構造的性質、特に木幅とその限界に還元することに焦点を当てている。
• Robertson-Seymourのグラフマイナー予想を仮定することで、推論の複雑性に対する下界を導出している。
• 木幅に関して多項式時間の推論アルゴリズムが、木幅が有界でないクラスでは存在し得ないことを示している。
• 組合せ的グラフ理論と計算複雑性理論を統合することで、木幅の必要性を確立している。

実験結果

リサーチクエスチョン

• RQ1 木幅は、グラフィカルモデルにおける効率的推論を可能にする唯一の構造的性質であるか？
• RQ2 木幅が有界でないクラスのグラフィカルモデルであっても、多項式時間での推論が可能である可能性はあるか？
• RQ3 推論が効率的であるために必要なグラフの構造的制約は何か？
• RQ4 標準的な複雑性理論的予想を仮定した場合、木幅が有界でないことは、推論の非効率性を必然的に意味するのか？
• RQ5 Robertson-Seymourのグラフマイナー予想は、グラフィカルモデルにおける推論の複雑性をどの程度制限するのか？

主な発見

• Robertsonら（1994）の組合せ的仮説のもとで、木幅が有界でないグラフに対して、木幅に関して多項式時間の推論アルゴリズムは存在しない。
• 本論文は、グラフィカルモデルにおける効率的推論を保証する唯一の構造的基準が木幅であることを確立している。
• 最良のグラフ構造でさえ、木幅が有界でない限り、推論は非効率的である。
• この結果は、木幅が有効であるだけでなく、与えられた仮説のもとで必要不可欠であることを示している。
• 本研究は、確率的グラフィカルモデルにおける推論の複雑性において、木幅が中心的役割を果たす理由について理論的基盤を提供している。