[논문 리뷰] DNF Sparsification and a Faster Deterministic Counting Algorithm

Parikshit Gopala, Raghu Meka외 1명|arXiv (Cornell University)|2012. 05. 16.

Complexity and Algorithms in Graphs참고 문헌 28인용 수 4

한 줄 요약

이 논문은 DNF 공식에 대한 새로운 희소화 기법을 소개하며, 너비-$w$인 임의의 DNF가 $(w\log(1/\varepsilon))^{O(w)}$개의 항만을 가지는 너비-$w$ DNF를 통해 $\varepsilon$-근사화될 수 있음을 증명한다. 이는 DNF의 만족할 수 있는 할당의 비율을 근사화하는 데 더 빠른 결정론적 알고리즘으로 이어지며, $\varepsilon = 1/\mathrm{poly}(\log n)$일 때 $n^{\tilde{O}(\log\log n)}$ 시간에 실행되며, 이는 이전의 $n^{\exp(O(\sqrt{\log\log n}))}$ bound에 비해 크게 향상된 것이다.

ABSTRACT

Given a DNF formula on n variables, the two natural size measures are the number of terms or size s(f), and the maximum width of a term w(f). It is folklore that short DNF formulas can be made narrow. We prove a converse, showing that narrow formulas can be sparsified. More precisely, any width w DNF irrespective of its size can be $ε$-approximated by a width $w$ DNF with at most $(w\log(1/ε))^{O(w)}$ terms. We combine our sparsification result with the work of Luby and Velikovic to give a faster deterministic algorithm for approximately counting the number of satisfying solutions to a DNF. Given a formula on n variables with poly(n) terms, we give a deterministic $n^{ ilde{O}(\log \log(n))}$ time algorithm that computes an additive $ε$ approximation to the fraction of satisfying assignments of f for $ε= 1/\poly(\log n)$. The previous best result due to Luby and Velickovic from nearly two decades ago had a run-time of $n^{\exp(O(\sqrt{\log \log n}))}$.

연구 동기 및 목표

• DNF 공식을 희소화하는 방법을 개발하여 너비와 근사 품질을 유지한다.
• DNF 공식의 만족할 수 있는 할당 수를 근사화하는 데 결정론적 알고리즘의 실행 시간을 향상시킨다.
• 크기 $w$와 $\varepsilon$에만 의존하는 너비-$w$ DNF를 사용하여 $\varepsilon$-샌드위치 근사기의 존재를 확립한다.
• 너비가 유한한 DNF의 맥락에서 Friedgut의 준타 정리보다 더 강력한 대안을 제공한다.

제안 방법

• 저자들은 Rossman(2010)의 개념인 준-해바라기(quasi-sunflowers)를 기반으로 한 희소화 절차를 사용하여 근사 DNF를 구축한다.
• 모든 너비-$w$ DNF가 크기가 최대 $(w\log(1/\varepsilon))^{O(w)}$인 너비-$w$ DNF로 이루어진 $\varepsilon$-샌드위치 근사기를 가짐을 증명한다.
• 이러한 구조적 결과는 소수의 항만을 사용하여 효율적인 근사가 가능함을 허용한다.
• 이 희소화 결과를 Luby와 Velikovic(1991, 1996)의 프레임워크와 결합하여 더 빠른 결정론적 카운팅 알고리즘을 설계한다.
• 알고리즘은 $\varepsilon = 1/\mathrm{poly}(\log n)$일 때 $n^{\tilde{O}(\log\log n)}$ 시간에 실행되며, 이는 이전의 $n^{\exp(O(\sqrt{\log\log n}))}$ bound를 향상시킨다.

실험 결과

연구 질문

• RQ1 좁은 너비의 DNF 공식은 근사 품질을 유지하면서 상당히 짧은 DNF로 희소화될 수 있는가?
• RQ2 크기 $w$와 $\log(1/\varepsilon)$에 다항식적으로 의존하는 너비-$w$ DNF를 사용하여 DNF에 대한 $\varepsilon$-샌드위치 근사기를 구성할 수 있는가?
• RQ3 Luby와 Velikovic의 $n^{\exp(O(\sqrt{\log\log n}))}$ 실행 시간을 초월하여 DNF에 대한 결정론적 카운팅 알고리즘을 가속화할 수 있는가?
• RQ4 크기 $2^{O(w\log(1/\varepsilon))}$인 희소 푸리에 근사가 존재하는 것으로 간주할 수 있는, 너비가 유한한 DNF에 대해 Mansour의 추측의 더 강력한 형태가 성립하는가?

주요 결과

• 모든 너비-$w$ DNF는 크기가 최대 $(w\log(1/\varepsilon))^{O(w)}$인 너비-$w$ DNF로 이루어진 $\varepsilon$-샌드위치 근사기를 가진다.
• 결정론적 DNF 카운팅 알고리즘은 $\varepsilon = 1/\mathrm{poly}(\log n)$일 때 $n^{\tilde{O}(\log\log n)}$ 시간에 실행되며, 이는 이전의 $n^{\exp(O(\sqrt{\log\log n}))}$ bound를 향상시킨다.
• 모든 너비-$w$ DNF는 $(w\log(1/\varepsilon))^{O(w)}$-준타에 의해 $\varepsilon$-근사화되며, 이는 너비가 유한한 DNF에 대한 강력한 준타 정리를 제공한다.
• 이 결과는 $n$개 변수를 가진 너비-$O(\log n)$ DNF가 $n^{-O(1)}$-근접한 크기 $n^{O(\log\log n)}$와 너비 $O(\log n)$인 DNF와 근접하다는 것을 시사한다.
• 이 희소화 결과는 $O(w)$ 지수에 대해 정확하며, 지수를 단일 지수로 향상시킬 수 있는 추측이 제시된다.