[논문 리뷰] Degree and Sensitivity: tails of two distributions

Parikshit Gopalan, Rocco A. Servedio외 2명|arXiv (Cornell University)|2016. 04. 25.

Commutative Algebra and Its Applications인용 수 5

한 줄 요약

이 논문은 민감도 $ s $ 를 가진 임의의 부울 함수는 $ \epsilon $-근사화될 수 있으며, 이는 실수 계수 다항식의 차수 $ O(s \cdot \log(1/\epsilon)) $ 으로 이루어지며, 기존의 민간 지식으로 알려진 $ O(s/\epsilon) $ 의 경계를 크게 향상시킨다. 핵심 통찰은 저민감도 함수를 위한 새로운 스위칭 레퍼런스이며, 민감도 그래프 $ G_f $ 의 구조를 분석함으로써, 랜덤 제약 조건이 낮은 决定 트리 깊이를 갖는 함수를 유도함을 보여준다. 이는 민감도 추측의 함의와 거의 일치하는 강력한 근사 경계를 가능하게 한다.

ABSTRACT

The sensitivity of a Boolean function f is the maximum over all inputs x, of the number of sensitive coordinates of x. The well-known sensitivity conjecture of Nisan (see also Nisan and Szegedy) states that every sensitivity-s Boolean function can be computed by a polynomial over the reals of degree poly(s). The best known upper bounds on degree, however, are exponential rather than polynomial in s. Our main result is an approximate version of the conjecture: every Boolean function with sensitivity s can be epsilon-approximated (in L_2) by a polynomial whose degree is O(s log(1/epsilon)). This is the first improvement on the folklore bound of s/epsilon. Further, we show that improving the bound to O(s^c log(1/epsilon)^d)$ for any d < 1 and any c > 0 will imply the sensitivity conjecture. Thus our result is essentially the best one can hope for without proving the conjecture. We postulate a robust analogue of the sensitivity conjecture: if most inputs to a Boolean function f have low sensitivity, then most of the Fourier mass of f is concentrated on small subsets, and present an approach towards proving this conjecture.

연구 동기 및 목표

• 더 오랫동안 남아 있던 민감도 추측을 개선된 차수 경계를 갖는 근사적 형태로 해결하기 위해.
• 민감도 그래프 $ G_f $ 의 조합적 구조를 분석하여 트리 민감도와 컴포넌트 차원과 같은 새로운 복잡도 측정 기준을 도입하기 위해.
• 저민감도가 대부분의 입력에서 성립할 경우 푸리에 질량 집중과 연결되는 민감도 추측의 강력한 변형을 수립하기 위해.
• 저민감도 함수를 위한 새로운 스위칭 레퍼런스를 개발하여, $\mathsf{AC^0}$ 회로 이론에서의 것들과 유사하게 만들기 위해.
• 결과를 학습 이론과 푸리에 분석에 적용하여, 푸리에 계수와 엔트로피-영향에 대한 새로운 경계를 도출하기 위해.

제안 방법

• 민감도 그래프 $ G_f $ 를 도입하며, 정점은 입력이고, 한 좌표에서만 다름으로써 함수 값이 다른 입력 간에 간선이 연결된다.
• 새로운 그래프 복잡도 측정 기준 정의: 트리 민감도 $ \operatorname{ts}(f) $, 결정 트리 깊이 $ \operatorname{dt}(f) $, 컴포넌트 차원 $ \operatorname{cdim}(f) $.
• 낮은 민감도 함수의 랜덤 제약 조건이 높은 확률로 낮은 결정 트리 깊이를 갖는 함수를 유도하는 스위칭 레퍼런스를 증명한다.
• $ G_f $ 의 구조를 이용하여, 전체 차수를 갖는 함수는 복잡한 그래프를 가져야 하며, 따라서 랜덤 제약 조건을 통과하기 어려운 것으로 보여준다.
• 마르코프 부등식과 $ \ell_2 $-근사 이론을 적용하여, 근사 다항식의 차수를 $ s(f) \cdot \log(1/\epsilon) $ 의 형태로 경계한다.
• 해밍 코드를 기반으로 한 명시적 함수를 구성하여, 차수 경계에서 $ \log(1/\epsilon) $ 의 의존성이 사실상 최적임을 보여준다.

실험 결과

연구 질문

• RQ1 저민감도 부울 함수의 다항식 근사 차수는 기존의 민간 지식으로 알려진 $ O(s/\epsilon) $ 경계를 초월하여 향상시킬 수 있는가?
• RQ2 저평균 민감도가 낮은 차수 집합에 대한 푸리에 질량 집중을 암시하는 민감도 추측의 강력한 변형이 존재하는가?
• RQ3 결정 트리 깊이와 트리 민감도 사이의 관계를 강화하여 민감도 추측을 유도할 수 있는가?
• RQ4 민감도 $ s $ 를 고려했을 때, 근사 다항식의 차수에 대한 $ \epsilon $ 에 대한 최적의 의존성은 무엇인가?
• RQ5 컴포넌트 차원과 같은 $ G_f $ 에 대한 새로운 그래프 이론적 복잡도 측정 기준이 저민감도 함수의 구조에 더 깊은 통찰을 제공하는가?

주요 결과

• 민감도 $ s $ 를 가진 모든 부울 함수는 $ \ell_2 $-노름에서 차수 $ O(s \cdot \log(1/\epsilon)) $ 인 실수 계수 다항식으로 $ \epsilon $-근사화될 수 있으며, 이는 기존의 민간 지식으로 알려진 $ O(s/\epsilon) $ 의 경계를 향상시킨다.
• $ s^c \cdot \log(1/\epsilon)^\gamma $ 의 형태로 경계를 $ \gamma < 1 $ 이고 $ c > 0 $ 인 경우로 개선하면 민감도 추측의 전면적 증명이 가능하다.
• $ \log(1/\epsilon) $ 의 의존성은 사실상 최적이다: 해밍 코드를 기반으로 한 함수의 가족을 통해 $ O(s \cdot \log(1/\epsilon)^\gamma) $ ($ \gamma < 1 $) 는 불가능함을 보여준다.
• 저민감도 함수를 위한 새로운 스위칭 레퍼런스는 랜덤 제약 조건이 높은 확률로 낮은 결정 트리 깊이를 갖는 함수를 유도함을 보이며, 이는 $ G_f $ 의 그래프 구조에 기반한다.
• 논문은 결정 트리 깊이에 대한 트리 민감도의 하한을 증명하며, 이 경계의 다항식 강화가 강력한 민감도 추측을 암시함을 보여준다.
• 건설된 함수의 가족에 대해, 수준 $ \Theta(s \cdot \log(1/\epsilon)/\log\log(1/\epsilon)) $ 에서의 푸리에 가중치는 최소 $ \epsilon $ 이며, 이는 근사 경계의 최적성임을 보여준다.