[論文レビュー] Multi-Scale Merge-Split Markov Chain Monte Carlo for Redistricting

Eric A. Autry, Daniel Carter+3 more|arXiv (Cornell University)|Aug 18, 2020

Markov Chains and Monte Carlo Methods参考文献 11被引用数 8

ひとこと要約

本稿では、郡や選挙区などの利害共同体を保持しながら計算効率を向上させる、赤字区分のためのマルチスケール・マージ・スプリット・マルコフ連鎖モンテカルロ（MCMC）アルゴリズムを提案する。スパニングツリーの代わりに階層的ツリーを用いることで、計算複雑性を O(N^2.373) から O(log N) に低減し、細粒度の解像度における赤字区分計画のスケーラブルなサンプリングを可能にするとともに、詳細釣合と既知の不変測度への収束を維持する。

ABSTRACT

We develop a Multi-Scale Merge-Split Markov chain on redistricting plans. The chain is designed to be usable as the proposal in a Markov Chain Monte Carlo (MCMC) algorithm. Sampling the space of plans amounts to dividing a graph into a partition with a specified number of elements which each correspond to a different district. The districts satisfy a collection of hard constraints and the measure may be weighted with regard to a number of other criteria. The multi-scale algorithm is similar to our previously developed Merge-Split proposal, however, this algorithm provides improved scaling properties and may also be used to preserve nested communities of interest such as counties and precincts. Both works use a proposal which extends the ReCom algorithm which leveraged spanning trees merge and split districts. In this work we extend the state space so that each district is defined by a hierarchy of trees. In this sense, the proposal step in both algorithms can be seen as a "Forest ReCom." We also expand the state space to include edges that link specified districts, which further improves the computational efficiency of our algorithm. The collection of plans sampled by the MCMC algorithm can serve as a baseline against which a particular plan of interest is compared. If a given plan has different racial or partisan qualities than what is typical of the collection of plans, the given plan may have been gerrymandered and is labeled as an outlier.

研究の動機と目的

• 郡や選挙区などの地理的利害共同体を保持するスケーラブルなMCMC手法を開発し、赤字区分計画をサンプリングすること。
• 商グラフの階層を用いることで、赤字区分のツリーに基づくMCMC提案の計算複雑性を多項式から対数時間に低減すること。
• 詳細釣合とエルゴディシティを維持したまま、全般ブロックレベルまで解像度の高い赤字区分計画の効率的サンプリングを可能にすること。
• 特定の計画を通常の計画の集合と比較することで Gerrymandering（選挙区の不正な再編）を検出するための強固なベースライン集合を提供すること。

提案手法

• 各選挙区がネストされたツリーの階層で表現されるマルチスケールフレームワークを用いる。この階層はグラフ上にスパニングフォレストを形成する。
• ReComアルゴリズムを拡張し、単一のスパニングツリーではなく、階層的ツリー構造を用いた「フォレストReCom」提案を採用する。
• 各階層レベルの固定サイズの分割に対してキルホフの定理を適用し、有効なツリー構成の数え上げの計算コストを O(log N) に低減する。
• 提案ステップの混合性と計算効率を向上させるために、状態空間に領域間エッジを拡張する。
• 静的階層（既存の郡や選挙区に基づくもの）と、サンプリング中に進化する動的階層の両方をサポートする。
• 有効な赤字区分計画の空間における不変測度と整合する提案を構築することで、可逆性と詳細釣合を保証する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールMCMCアルゴリズムは、ツリーに基づく赤字区分の提案の計算複雑性を多項式から対数時間に低減しつつ、地理的利害共同体を保持できるか？
• RQ2 スパニングツリーの代わりに階層的ツリーを用いることで、赤字区分サンプリングにおけるMCMC連鎖の混合性と収束性にどのような影響を与えるか？
• RQ3 本アルゴリズムは、郡や選挙区の分割を厳密に制御しつつ、大規模な境界変更を可能にする程度はどの程度か？
• RQ4 本手法は、全般ブロックレベルまで解像度を高めた赤字区分計画に、計算の可能性を損なわずにスケーラブルに適用できるか？
• RQ5 グラフ構造の制約や利害共同体の保持に関する制約が、アルゴリズムのエルゴディック性を阻害する可能性はどの程度か？

主な発見

• マルチスケール・マージ・スプリットMCMCアルゴリズムにより、ツリー数え上げの計算複雑性が O(N^2.373) から O(log N) に低減され、細粒度の解像度における効率的サンプリングが可能になった。
• 階層的構造によりノードの整合性を各レベルで維持することで、郡や選挙区などの利害共同体が効果的に保持された。
• 収束分析の結果、収束レートの推定値が約 0.42 であり、マージナルヒストограмの構造的差異にもかかわらず、連鎖が類似した分布に収束することが示された。
• 本手法により、特定の計画を通常の計画の集合と比較することでGerrymanderingを検出するためのベースラインとしての赤字区分計画の集合が得られた。
• 特に全般ブロックを含む大規模な問題に対して、従来の手法に比べてスケーラビリティと計算効率の面で優れた性能を示した。
• 本手法により、法的・政策的応用に適した計算的に実行可能で統計的に信頼性のある高解像度の赤字区分計画の集合が生成可能となった。