[논문 리뷰] Beyond Natural Proofs: Hardness Magnification and Locality

Lijie Chen, Shuichi Hirahara외 4명|arXiv (Cornell University)|2019. 11. 19.

Complexity and Algorithms in Graphs인용 수 4

한 줄 요약

이 논문은 회로 복잡도 이론에서 자연 증명 장벽을 극복하기 위한 딱딱함 확대 전략을 조사하며, 최소 회로 크기 문제(MCSP)에 대해 略초선형 하한이 존재할 경우 자연 증명이 존재하지 않음을 보여준다. 기존 하한 기법이 확대에 적용될 때 자주 실패하는 이유를 설명하는 '국소성 장벽'을 규명하고, 특정 확대 정리가 강력한 회로 하한을 암시함으로써 효율적인 학습 알고리즘의 존재를 배제함을 보여준다.

ABSTRACT

Hardness magnification reduces major complexity separations (such as $\mathsf{\mathsf{EXP}} subseteq \mathsf{NC}^1$) to proving lower bounds for some natural problem $Q$ against weak circuit models. Several recent works [OS18, MMW19, CT19, OPS19, CMMW19, Oli19, CJW19a] have established results of this form. In the most intriguing cases, the required lower bound is known for problems that appear to be significantly easier than $Q$, while $Q$ itself is susceptible to lower bounds but these are not yet sufficient for magnification. In this work, we provide more examples of this phenomenon, and investigate the prospects of proving new lower bounds using this approach. In particular, we consider the following essential questions associated with the hardness magnification program: Does hardness magnification avoid the natural proofs barrier of Razborov and Rudich [RR97]? Can we adapt known lower bound techniques to establish the desired lower bound for $Q$?

연구 동기 및 목표

• Razborov와 Rudich의 자연 증명 장벽을 우회할 수 있는가를 조사하는 것.
• 기존 하한 기법을 확대를 통한 강력한 복잡도 분리에 적용할 수 있는가를 평가하는 것.
• 확대 기반 증명에서 기존 기법의 적용을 제한하는 '국소성 장벽'을 식별하고 형식화하는 것.
• 딱딱함 확대, 자연 증명의 부재, 효율적인 학습 알고리즘의 불가능성 간의 연결 고리를 설정하는 것.
• MCSP 및 MKtP와 같은 문제들에 대해 다양한 회로 클래스에서의 확대 경계를 체계적으로 분석하는 것.

제안 방법

• 강력한 복잡도 분리(예: EXP ⊈ NC¹)를 약한 회로 모델에 대해 자연 문제 Q의 하한을 증명하는 것으로 환원한다.
• 랜덤 제약 조건 동안 회로 크기와 오라클 활동을 추적하기 위해 잠재 함수 Φ를 도입한다. 이는 공식 크기 감소 분석을 가능하게 한다.
• 오라클 회로에 랜덤 제약 조건(ρ)을 적용하여, 각 라운드당 잠재 함수가 k/cF 만큼 감소함을 보여주며, 이는 높은 확률로 매우 작은 공식을 유도한다.
• 체비세프 부등식을 사용하여 t라운드의 제약 조건 이후에도 많은 활성 변수를 유지할 확률를 제한한다.
• 비제한된 변수들을 0으로 고정함으로써 딱딱한 입력 x*를 구성하며, 이로 인해 유도된 공식이 높은 회로 복잡도를 가진 입력에서 MCSP를 계산할 수 없음을 보여준다.
• MCSP가 略초선형 크기의 회로를 가진다면 자연 증명이 존재하지 않으며, 효율적인 학습 알고리즘이 배제됨을 증명한다.

실험 결과

연구 질문

• RQ1 딱딱함 확대 정리가 자연 증명 장벽을 피할 수 있는가?
• RQ2 기존 하한 기법(예: 다항식 근사, 랜덤 제약 조건)이 확대를 통해 강력한 하한을 증명하기 위해 어느 정도 적용될 수 있는가?
• RQ3 오라클과 국소성이 확대 프레임워크에서 표준 하한 기법의 효율성을 저해하는 데서 어떤 역할을 하는가?
• RQ4 강력한 회로 하한을 암시하는 확대 정리가 동시에 효율적인 학습 알고리즘의 존재를 배제하는가?
• RQ5 기존 기법을 확대 기반 하한에 직접 적용하는 데 방해가 되는 구조적 제약(예: 국소성 장벽)은 무엇인가?

주요 결과

• MCSP에 대해 略초선형 크기의 회로 하한이 존재할 경우 자연 증명이 존재하지 않으며, 이는 확대가 자연 증명 장벽을 우회할 수 있음을 의미한다.
• 일부 확대 정리는 강력한 최악의 경우 회로 하한을 암시할 뿐 아니라, 관련 문제에 대해 효율적인 학습 알고리즘의 존재를 배제한다.
• 국소성 장벽이 규명됨: 기존 확대 정리는 문제 Q가 소형 피드포워드 오라클 게이트를 가진 매우 효율적인 회로를 가짐을 보여주지만, 표준 하한 기법은 일반적으로 이러한 모델에도 적용 가능하다.
• Razborov-Smolensky 다항식 근사 방법 및 기타 알려진 기법들은 오라클 추가에 대해 불변성을 가지므로, 확대를 통한 강력한 하한을 도출하지 못한다.
• 크기 N²⁻ε 및 적응도 τ = o(log N / log log N)인 오라클 공식에 대해, 각 제약 조건마다 잠재 함수 Φ가 k/cF 만큼 감소하며, 이는 높은 확률로 O(log³N)개의 변수에 의존하는 공식을 유도한다.
• t = O(log N / log log N)라운드의 랜덤 제약 조건 이후, 남은 공식은 O(log³N)개의 변수에 의존하며, 최소 N^{ε/2−o(1)}개의 비제한된 변수를 유지한다. 이는 MCSP 계산 불가능성을 위반하는 딱딱한 입력을 구성할 수 있음을 의미한다.