[논문 리뷰] A Tight Composition Theorem for the Randomized Query Complexity of Partial Functions

Shalev Ben-David, Göös, Mika외 2명|arXiv (Cornell University)|2020. 01. 01.

Complexity and Algorithms in Graphs참고 문헌 20인용 수 6

한 줄 요약

이 논문은 부분 함수에 대해 랜덤화된 조합 추측이 성립하지 않음을 증명함으로써 쿼리 복잡도 분야에서 오랫동안 미해결된 문제를 해결한다: 즉, R(f∘g)가 R(f)R(g)보다 유의미하게 작을 수 있으며, 심지어 다항식 수준으로도 작을 수 있다. 저자들은 f를 노이즈가 있는 입력에서 계산하는 데 필요한 최소 비용을 캐릭터라이즈하는 새로운 측정치인 noisyR(f)를 도입하였고, R(f∘g) = Ω(noisyR(f) ⋅ R(g))라는 날카로운 조합 정리(Composition Theorem)를 증명하여 이 경계가 최적임을 보이며, 갭 메이저리티 함수와의 조합을 통해 깔끔한 특성화를 제공한다.

ABSTRACT

Suppose we have randomized decision trees for an outer function f and an inner function g. The natural approach for obtaining a randomized decision tree for the composed function (f∘ gⁿ)(x¹,…,xⁿ) = f(g(x¹),…,g(xⁿ)) involves amplifying the success probability of the decision tree for g, so that a union bound can be used to bound the error probability over all the coordinates. The amplification introduces a logarithmic factor cost overhead. We study the question: When is this log factor necessary? We show that when the outer function is parity or majority, the log factor can be necessary, even for models that are more powerful than plain randomized decision trees. Our results are related to, but qualitatively strengthen in various ways, known results about decision trees with noisy inputs.

연구 동기 및 목표

• 쿼리 복잡도에서 랜덤화된 조합 추측을 해결하는 것: 모든 부울 함수 f와 g에 대해 R(f∘g) = Ω(R(f)R(g))가 성립한다는 가정을 검토한다.
• 부분 함수의 조합이 개별 복잡도의 곱에 비해 초다항적 절감을 가져올 수 있는지 조사한다.
• f를 노이즈가 있는 입력에서 계산하는 데 드는 비용을 캐릭터라이즈하는 새로운 측정치 noisyR(f)를 정의하고 특성화하는 것.
• 모든 f와 g에 대해 R(f∘g) = Ω(M(f)R(g))를 만족하는 측정치 M(f)가 존재할 경우 noisyR(f) = Ω(M(f))임을 보여, 조합 정리 R(f∘g) = Ω(noisyR(f)R(g))의 최적성을 확립한다.
• √n-간격 메이저리티 함수와의 조합을 통해 noisyR(f)를 깔끔하게 특성화하는 것.

제안 방법

• 각 쿼리가 진짜 입력의 노이즈 버전으로 응답되는 노이즈 오라클 모델을 도입하고, 이 모델 하에서의 최소 쿼리 복잡도를 noisyR(f)로 정의한다.
• 특정 부분 함수 f와 g를 설계하여 랜덤화된 조합 추측의 반례를 구성한다. 이 경우 R(f∘g)는 R(f)R(g)보다 다항식 수준으로 작다. 이는 갭 메이저리티 함수에 기반한 재귀적 구성 방식을 사용한다.
• 정보 이론적 기법을 사용하여 일반적인 조합 정리 R(f∘g) = Ω(noisyR(f) ⋅ R(g))를 증명한다. 특히 분포 간 헬링거 거리와 제닝스-쇼넌 거리를 활용한다.
• 모의 실험적 접근을 통해 f∘g를 계산하는 알고리즘은 f에 대한 노이즈 오라클과 g에 대한 표준 오라클을 사용하여 시뮬레이션할 수 있음을 보여, 하한을 확립한다.
• noisyR(f)를 다음 식으로 특성화한다: noisyR(f) = Θ(R(f∘GapMajn)/R(GapMajn)), 여기서 GapMajn은 n비트에서의 √n-간격 메이저리티 함수이다.
• 모든 f와 g에 대해 R(f∘g) = Ω(M(f)R(g))를 만족하는 측정치 M(f)가 존재할 경우 반드시 noisyR(f) = Ω(M(f))임을 보여, 조합 정리의 최적성을 입증한다.

실험 결과

연구 질문

• RQ1 부분 부울 함수에 대해 랜덤화된 조합 추측은 참인가? 즉, 모든 부분 함수 f와 g에 대해 R(f∘g) = Ω(R(f)R(g))가 성립하는가?
• RQ2 조합 함수 f∘g의 랜덤화된 쿼리 복잡도는 R(f)R(g)보다 유의미하게 작을 수 있으며, 만약 그렇다면 얼마나 작아질 수 있는가?
• RQ3 부분 함수 설정에서 조합된 함수의 랜덤화된 쿼리 복잡도를 캐릭터라이즈하는 데 적합한 측정치는 무엇인가?
• RQ4 조합 정리 R(f∘g) = Ω(noisyR(f)R(g))는 최적인가? 더 강력한 측정치가 더 나은 조합 경계를 제공할 수 있는지 여부를 입증할 수 있는가?
• RQ5 noisyR(f)는 갭 메이저리티 함수와 같은 알려진 자연스러운 함수로 특성화될 수 있는가?

주요 결과

• 랜덤화된 조합 추측은 잘못되었다: R(f∘g)가 R(f)R(g)보다 다항식 수준으로 작을 수 있는 부분 부울 함수 f와 g가 존재한다. 이는 양변이 f의 입력 크기의 다항로그 수준일지라도 성립한다.
• 저자들은 f를 노이즈 오라클 입력에서 계산하는 데 드는 비용을 측정하는 새로운 측정치 noisyR(f)를 도입하였고, 모든 f와 g에 대해 R(f∘g) = Ω(noisyR(f) ⋅ R(g))임을 증명하였다.
• 조합 정리는 최적이다: 모든 f와 g에 대해 R(f∘g) = Ω(M(f)R(g))를 만족하는 측정치 M(f)가 존재할 경우 반드시 noisyR(f) = Ω(M(f))여야 하며, 이는 더 강력한 측정치로 더 나은 조합 경계를 얻을 수 없음을 의미한다.
• 측정치 noisyR(f)는 깔끔한 특성화를 가진다: noisyR(f) = Θ(R(f∘GapMajn)/R(GapMajn))이며, 여기서 GapMajn은 n비트에서의 √n-간격 메이저리티 함수이다.
• 반례의 구성은 갭 메이저리티 함수에 기반한 재귀적이고 자기 유사적인 구조를 활용하며, 노이즈가 있는 입력이 조합된 환경에서 효율적으로 시뮬레이션될 수 있음을 이용한다.
• 증명 기법은 헬링거 거리와 제닝스-쇼넌 거리와 같은 정보 이론적 도구를 포함하며, f∘g 계산을 노이즈 오라클을 가진 f와 표준 오라클을 가진 g로 환원하는 새로운 시뮬레이션 추론을 포함한다.