[論文レビュー] Lower Bounds for Exact Model Counting and Applications in Probabilistic Databases

Paul Beame, Jerry Li+2 more|arXiv (Cornell University)|Sep 26, 2013

Bayesian Modeling and Causal Inference参考文献 22被引用数 13

ひとこと要約

本稿は、特定の論理式クラスに対して、決定的DNNF（decision-DNNF）表現が指数的サイズを必要とするという事実を示すことにより、確率的データベースで使用されるブール論理式における正確なモデル数え上げの指数的下界を確立している。著者たちは、decision-DNNFを自由な2分決定図（FBDD）に還元し、既知のFBDDの下界を活用することで、これらの論理式における正確なモデル数え上げが本質的に高コストであることを証明している。この結果は、クエリ評価に不可欠な正確な数え上げを必要とする確率的データベース分野に直接的な影響を持つ。

ABSTRACT

The best current methods for exactly computing the number of satisfying assignments, or the satisfying probability, of Boolean formulas can be seen, either directly or indirectly, as building 'decision-DNNF' (decision decomposable negation normal form) representations of the input Boolean formulas. Decision-DNNFs are a special case of 'd-DNNF's where 'd' stands for 'deterministic'. We show that any decision-DNNF can be converted into an equivalent 'FBDD' (free binary decision diagram) -- also known as a 'read-once branching program' (ROBP or 1-BP) -- with only a quasipolynomial increase in representation size in general, and with only a polynomial increase in size in the special case of monotone k-DNF formulas. Leveraging known exponential lower bounds for FBDDs, we then obtain similar exponential lower bounds for decision-DNNFs which provide lower bounds for the recent algorithms. We also separate the power of decision-DNNFs from d-DNNFs and a generalization of decision-DNNFs known as AND-FBDDs. Finally we show how these imply exponential lower bounds for natural problems associated with probabilistic databases.

研究の動機と目的

• 確率的データベースで使用されるブール論理式における正確なモデル数え上げの本質的計算限界を確立すること。
• 現代のモデルカウンターの重要なデータ構造であるdecision-DNNF表現の空間計算量を分析すること。
• 単調的または構造的であっても、特定の論理式クラスを効率的に表現できないことの証明。
• 既知のFBDDの下界がdecision-DNNFに対しても同様の下界を導くことの証明により、特定の論理式クラスにおける効率的正確数え上げの非可能性を示すこと。
• 理論的結果を確率的データベース分野の実問題、特にクエリ評価とクエリ最適化に応用すること。

提案手法

• 著者たちは、decision-DNNF表現を自由な2分決定図（FBDD）、すなわち1回読みの分岐プログラム（1-BP）に還元し、一般には準多項式のサイズ増加、単調k-DNFの場合には多項式のサイズ増加を示した。
• 特定のブール関数における既知のFBDDの指数的下界を用いて、decision-DNNFに対しても同様の下界を導出した。
• 還元は、特に決定的かつ分解可能な構造的性質に依存しており、変換の間でも正しさとサイズの保存性を保証する。
• FBDDの一般化としてAND-FBDDを導入し、decision-DNNFとの表現力の比較を通じて、それらの計算能力の差を明確にした。
• 理論的分析は、特に回路複雑性と分岐プログラムの下界に関する計算複雑性理論に根ざしている。
• クエリ評価をモデル数え上げとしてモデル化することで、確率的データベースへの応用を示し、特定のクエリは正確に評価するのに指数的時間が必要であることを示した。

実験結果

リサーチクエスチョン

• RQ1 一般のブール論理式に対して、decision-DNNF表現をFBDDに効率的に圧縮できるか、同値な小さい形式にできるか。
• RQ2 単調k-DNF論理式に対するdecision-DNNFの本質的空間計算量限界は何か。
• RQ3 FBDDに対して既知の指数的下界がdecision-DNNFに対しても拡張可能か、もしそうならどのような条件下で成立するか。
• RQ4 decision-DNNFはd-DNNFやAND-FBDDと比べて表現力に優れているか、その結果のモデル数え上げへの影響は何か。
• RQ5 これらの理論的下界は、確率的データベースにおける正確なクエリ評価にどのような実用的影響を及ぼすか。

主な発見

• 任意のdecision-DNNFは、一般には準多項式のサイズ増加で、単調k-DNF論理式では多項式のサイズ増加で、同等のFBDDに変換可能である。
• 特定のブール関数に対してFBDDに指数的下界が存在することは、それらの関数に対してdecision-DNNFに対しても指数的下界が存在することを意味し、これらの論理式における正確なモデル数え上げが本質的に高コストであることを証明する。
• 本稿は、decision-DNNFとd-DNNF、AND-FBDDとの間に明確な分離を示し、decision-DNNFがd-DNNFよりも厳密に表現力が強いこと、AND-FBDDは表現力において比較不能であることを示した。
• これらの結果は、特定の論理式クラスにおける正確なモデル数え上げが、最も高度なdecision-DNNFベースのアルゴリズムでさえも指数的時間と空間を要することを示唆する。
• これらの下界は確率的データベースに直接適用可能であり、特定の種類の結合的クエリの正確な評価が多項式時間では非現実的であることを示している。