[論文レビュー] Randomized sequential importance sampling for estimating the number of perfect matchings in bipartite graphs

Persi Diaconis, Brett Kolesnik|arXiv (Cornell University)|Jan 1, 2019

Markov Chains and Monte Carlo Methods参考文献 30被引用数 4

ひとこと要約

本稿では、二部グラフにおける完全マッチングの数を推定するための確率的逐次重要度サンプリングアルゴリズムを導入し、特にフィボナッチマッチングおよび距離-d マッチングに焦点を当てる。均一サンプリング下での対数尤度比に対する非標準的中心極限定理を確立し、Kullback–Leibler 散逸が部分線形に増大することを証明することで、特定のグラフクラスでは O(1) のサンプル数で効率的な推定が可能であることを示している。

ABSTRACT

We introduce and study randomized sequential importance sampling algorithms for estimating the number of perfect matchings in bipartite graphs. In analyzing their performance, we establish various non-standard central limit theorems. We expect our methods to be useful for other applied problems.

研究の動機と目的

• 二部グラフにおける完全マッチングの数を推定するための確率的逐次重要度サンプリングアルゴリズムの開発および分析を行う。
• 均一測度下での対数尤度比 $\log(d\nu/d\mu)$ の集中性を分析することにより、この文脈における重要度サンプリングの効率を検討する。
• 非標準的中心極限定理を $\log T(\pi)$ に対して確立し、ここで $T(\pi) = P(\pi)^{-1}$ であるが、サンプリング複雑度を定量化する。
• 特定の構造的二部グラフ（例えばフィボナッチマッチングや距離-d マッチング）に対しては、正確な推定に定数個のサンプルで十分であることを示す。
• ${\rm P}$-完全な数え上げ問題における重要度サンプリングの実用的効率性に対する理論的根拠を提供する。応用対象は、連関表や次数制約付きグラフを含む。

提案手法

• 各ステップで利用可能なマッチングに対する均一な提案分布を用いる逐次重要度サンプリングを採用し、$P(\pi) = \prod_i |I_i|^{-1}$ を定義する。ここで $I_i$ は段階 $i$ における有効な未マッチド頂点の集合である。
• $T(\pi) = P(\pi)^{-1}$ を定義し、これは完全マッチング総数 $M_n = |\mathcal{M}_n|$ の不偏推定量として機能する。
• Kullback–Leibler 散逸 $L = \mathbb{E}_u[\log T(\pi)/M_n]$ を分析し、フィボナッチマッチングでは $L \sim \log \gamma_2 \cdot n$ となることを示す。
• 生成関数 $X(z,t)$ を用いて、均一測度 $u$ 下での $\log T(\pi)$ のモーメントを計算し、平均および分散の漸近的表現を導出する。
• 移動行列法および再帰関係を用いて、構造的制約（例えば $|\pi(i) - i| \leq d$）下での有効マッチング数をモデル化する。
• フィボナッチマッチングおよび距離-2 マッチングに対して $\mathrm{Var}_u[\log T(\pi)] = O(1)$ を証明し、測度の集中性および低サンプル複雑度を示す。

実験結果

リサーチクエスチョン

• RQ1 構造的二部グラフにおける確率的逐次重要度サンプリングの性能は、完全マッチングの数を推定する際にどのようにスケーリングするか？
• RQ2 完全マッチングの均一分布下での対数尤度比 $\log T(\pi)$ の漸近的挙動はいかなるものか？
• RQ3 $n \to \infty$ の際に分散が有界のまま保たれる状況において、$\log T(\pi)$ に対して非標準的中心極限定理を確立できるか？
• RQ4 どの種の二部グラフに対して Kullback–Leibler 散逸 $L$ が部分線形に増大し、$O(1)$ のサンプル数で効率的な推定が可能になるか？
• RQ5 この手法は、連関表や与えられた次数列を持つグラフなどの他の数え上げ問題へどの程度一般化可能か？

主な発見

• フィボナッチマッチング $\mathcal{F}_{n,1}$ に対して、$\log T(\pi)$ の期待値は $n$ に対して線形に増大し、$\mathbb{E}_u[\log T(\pi)] \sim \mu_f n + \frac{2(1 - \sqrt{5})}{5}\log 2$ となる。ここで $\mu_f = \frac{1}{2}(1 + \frac{1}{\sqrt{5}})\log 2$ である。
• 均一測度下での $\log T(\pi)$ の分散は有界である：$\mathrm{Var}_u[\log T(\pi)] = O(1)$ であり、測度の集中性を示唆する。
• 距離-2 マッチング $\mathcal{D}_{n,2}$ に対しても同様の分散の有界性が成り立ち、$N^*(n) = O(1)$ のサンプル数で完全マッチング数をよく近似できる。
• $\log T(\pi)$ のモーメント母関数の生成関数 $X(z,t)$ は有理関数であり、明示的に導出可能であり、正確な漸近的分析が可能である。
• Kullback–Leibler 散逸 $L = \mathbb{E}_u[\log T(\pi)/M_n]$ は $\log \gamma_2 \cdot n$ のように増大し、$\gamma_2 \approx 1.618$ である。これにより指数的だが取り扱い可能なサンプル複雑度が得られる。
• 非マルコフ連鎖モンテカルロアルゴリズムに比べ、実用的応用に適した $n$ の範囲では本手法が優れているが、非マルコフ的であることに注意する。