[論文レビュー] Rigorous Implications of the Low-Degree Heuristic

Jun-Ting Hsieh, Daniel M. Kane+4 more|arXiv (Cornell University)|Jan 9, 2026

Complexity and Algorithms in Graphs被引用数 0

ひとこと要約

本論文は、低次数尤度比（LDLR）上界を、具体的なアルゴリズムに対する厳密な下界へ変換するツールを開発し、対称性制約の下でブール、ガウスベクトル、ガウス行列設定におけるTV区別不可能性結果を証明する。

ABSTRACT

Over the past decade, the low-degree heuristic has been used to estimate the algorithmic thresholds for a wide range of average-case planted vs null distinguishing problems. Such results rely on the hypothesis that if the low-degree moments of the planted and null distributions are sufficiently close, then no efficient (noise-tolerant) algorithm can distinguish between them. This hypothesis is appealing due to the simplicity of calculating the low-degree likelihood ratio (LDLR) -- a quantity that measures the similarity between low-degree moments. However, despite sustained interest in the area, it remains unclear whether low-degree indistinguishability actually rules out any interesting class of algorithms. In this work, we initiate the study and develop technical tools for translating LDLR upper bounds to rigorous lower bounds against concrete algorithms. As a consequence, we prove: for any permutation-invariant distribution $\mathsf{P}$, 1. If $\mathsf{P}$ is over $\{0,1\}^n$ and is low-degree indistinguishable from $U = \mathrm{Unif}(\{0,1\}^n)$, then a noisy version of $\mathsf{P}$ is statistically indistinguishable from $U$. 2. If $\mathsf{P}$ is over $\mathbb{R}^n$ and is low-degree indistinguishable from the standard Gaussian ${N}(0, 1)^n$, then no statistic based on symmetric polynomials of degree at most $O(\log n/\log \log n)$ can distinguish between a noisy version of $\mathsf{P}$ from ${N}(0, 1)^n$. 3. If $\mathsf{P}$ is over $\mathbb{R}^{n imes n}$ and is low-degree indistinguishable from ${N}(0,1)^{n imes n}$, then no constant-sized subgraph statistic can distinguish between a noisy version of $\mathsf{P}$ and ${N}(0, 1)^{n imes n}$.

研究の動機と目的

• 平均ケース問題におけるアルゴリズム難易度の予測子としての低次数ヒューリスティックを動機付け、形式化する。
• LDLR上界を具体的なアルゴリズムの厳密な検出下界へ変換するツールを開発する。
• 様々なデータ規模で対称性とノイズの下でTV indistinguishability結果を確立する（ブールベクトル、ガウスベクトル、ガウス行列）。
• vanishing LDLR が単純な識別子に対して計算的 hardness を意味する範囲を明確にし、理解を拡張する。

提案手法

• low-degree likelihood ratio（LDLR）と degree-D の優位性指標を定義する。
• ブール設定における S_n 対称性の下で、 null とノイズを加えた planted 分布間の TV closeness を証明する（定理1.1）。
• 対称性が弱いガウス空間を分析し、低次数多項式統計量の下界を導出する（定理1.2）。
• 行列値ガウスモデルを研究し、ノイズ付き planted とガウス零相の間で一定サイズの部分グラフ統計量が識別不能であることを示す（定理1.3）。
• 切り捨て、モーメント整合、フーリエ解析技法を用いて分布間の差を界化する。
• LDLR境界を逆フーリエ変換と特性関数制御を介してTV距離に関連付ける。

実験結果

リサーチクエスチョン

• RQ1 対称性の下で vanishing LDLR は全ての低次数多項式に基づく検定が planted 分布と null 分布を識別不能にすることを意味するか？
• RQ2 LDLR上界が与えられた場合、抽象的なクラスだけでなく具体的な検出検定に対して厳密な全変動距離下界を得られるか？
• RQ3 Boolean から Gaussian 空間、ベクトル値から行列値（部分グラフ）統計量への結果の拡張はノイズ下で成立するか？
• RQ4 Gaussian 行列設定におけるノイズ入り planted モデルを識別する低次数多項式統計量の正確な極限はどこまでか？

主な発見

• Boolean で、degree D で chi-squared 距離が小さい対称 P のノイズ付き T_epsilon P は、TV 距離が delta と epsilon に依存する項で有意差が小さく、Boolean の無効（tv）と同型性を持つ（定理1.1）。
• ガウスベクトル空間では、対称多項式の次数が k 以下の統計量は D と k が特定の範囲を満たす場合、N と U_epsilon P を区別できない（定理1.2）。
• ガウス行列空間では、LDLR が小さい場合、一定サイズのサブグラフ統計量は N とノイズ付き planted の間で識別不能である（定理1.3）。
• ノイズ（epsilon）を用いた TV closeness の達成が必要であり、特にブール設定では対称性が計算複雑性の低減に重要な役割を果たす。
• LDLR の消失をフーリエ解析とモーメント整合を通じて分布的識別不能へ結びつけ、低次数ヒューリスティックの理解を拡張している。