[논문 리뷰] Gaussian Cooling and O*(n^3) Algorithms for Volume and Gaussian Volume

Ben Cousins, Santosh Vempala|arXiv (Cornell University)|2014. 09. 21.

Point processes and geometric inequalities참고 문헌 19인용 수 4

한 줄 요약

이 논문은 KLS 추측이 해결되지 않은 상태에서도 기반하지 않고, 가우시안 냉각에서 새로운 가속화된 냉각 스케줄을 도입하여 잘 둥글게 된 볼록체의 부피를 추정하기 위한 $O^{*}(n^3)$ 랜덤 알고리즘을 제시한다. 이는 KLS 추측을 가정하지 않고도 부피 계산에 대해 처음으로 $O^{*}(n^3)$ 복잡도를 달성한 것이다. 이 방법은 볼록체 위에서 가우시안 분포의 개선된 샘플링을 활용하며, 구형 가우시안에 대해 KLS 추측이 성립한다는 것을 증명함으로써, 동일한 점근적 복잡도로 부피 및 가우시안 부피 추정이 가능하게 한다.

ABSTRACT

We present an $O^*(n^3)$ randomized algorithm for estimating the volume of a well-rounded convex body given by a membership oracle, improving on the previous best complexity of $O^*(n^4)$. The new algorithmic ingredient is an accelerated cooling schedule where the rate of cooling increases with the temperature. Previously, the known approach for potentially achieving this asymptotic complexity relied on a positive resolution of the KLS hyperplane conjecture, a central open problem in convex geometry. We also obtain an $O^*(n^3)$ randomized algorithm for integrating a standard Gaussian distribution over an arbitrary convex set containing the unit ball. Both the volume and Gaussian volume algorithms use an improved algorithm for sampling a Gaussian distribution restricted to a convex body. In this latter setting, as we show, the KLS conjecture holds and for a spherical Gaussian distribution with variance $σ^2$, the sampling complexity is $O^*(\max\{n^3, σ^2n^2\})$ for the first sample and $O^*(\max\{n^2, σ^2n^2\})$ for every subsequent sample.

연구 동기 및 목표

• 멤버십 오라클을 통해 주어진 볼록체의 부피를 추정하기 위한 더 빠른 랜덤 알고리즘을 개발하는 것.
• KLS 초평면 추측을 가정하지 않고도 이전의 $O^{*}(n^4)$ 복잡도 장벽을 극복하는 것.
• 단위 구를 포함하고 있는 볼록체 위에서 표준 가우시안 분포를 통합하기 위한 $O^{*}(n^3)$ 알고리즘을 확립하는 것.
• 볼록체에 제한된 구형 가우시안 분포에 대해 KLS 추측이 성립함을 증명하여 더 빠른 샘플링을 가능하게 하는 것.
• STOC 2015 및 SODA 2014의 이전 결과들을 하나의 개선된 프레임워크로 통합하고 확장하여 부피 및 가우시안 부피 추정에 활용하는 것.

제안 방법

• 냉각 속도가 온도에 따라 증가하는 새로운 가속화된 냉각 스케줄을 도입하여 시뮬레이션 냉각 스타일 알고리즘의 수렴성을 향상시키는 것.
• 작은 구에서 목표 볼록체 $K$로 점진적으로 확대되는 $K_i = 2^{i/n}B_n \cap K$의 볼록체 시퀀스를 사용하여 샘플링을 통해 부피 비율을 추정하는 것.
• 혼합 시간 상한이 향상된 연속적인 랜덤 워크(볼록체 워크)를 적용하며, KLS 추측이 구형 가우시안에 대해 성립한다는 사실을 활용하는 것.
• 분산 $\sigma^2$를 가진 구형 가우시안에 대해 첫 번째 샘플링 복잡도는 $O^{*}(\max\{n^3, \sigma^2 n^2\})$, 이후 샘플링 복잡도는 $O^{*}(\max\{n^2, \sigma^2 n^2\})$임을 증명하는 것.
• 편차 불등식(Chebyshev 및 Markov)을 사용하여 부피 비율의 곱을 추정할 때의 오차를 유한확률적으로 제한하여 정확성을 보장하는 것.
• 볼록체를 거의 등방위 위치에 놓기 위한 사전 처리 단계를 도입하여, 균일한 $X \in K$에 대해 $\mathbb{E}(\|X\|^2) = O^{*}(n)$을 확보하는 것.

실험 결과

연구 질문

• RQ1 이전의 부피 추정 알고리즘의 $O^{*}(n^4)$ 복잡도를 KLS 초평면 추측을 가정하지 않고도 $O^{*}(n^3)$으로 낮출 수 있는가?
• RQ2 볼록체에 제한된 가우시안 분포에 대해 KLS 추측이 성립하는가? 이는 더 빠른 샘플링을 가능하게 하는가?
• RQ3 가속화된 냉각 스케줄을 엄밀하게 분석하여 부피 계산에서 $O^{*}(n^3)$ 복잡도를 달성할 수 있는가?
• RQ4 균형 잡힌 샘플링 비용이 점근적으로 부피 추정 비용과 동일한가?
• RQ5 이 프레임워크를 일반 로그컨벡스 함수의 볼록체 위 통합으로 확장할 수 있는가? 이 경우 동일한 복잡도를 유지할 수 있는가?

주요 결과

• 논문은 단위 구를 포함하고 반지름 $O^{*}(\sqrt{n})$ 이내의 공에 포함되는 모든 잘 둥근 볼록체에 대해 $O^{*}(n^3)$ 랜덤 알고리즘을 달성한다.
• 단위 구를 포함하는 볼록체 위에서 가우시안 부피 추정에 대해 알고리즘은 $O^{*}(n^3)$ 시간 내에 수행되며, 이는 부피 복잡도와 일치한다.
• 볼록체에 제한된 구형 가우시안 분포에 대해 KLS 추측이 성립함을 증명하였으며, 이는 첫 번째 샘플링 복잡도가 $O^{*}(\max\{n^3, \sigma^2 n^2\})$로 빠른 샘플링을 가능하게 한다.
• 동일한 가우시안 분포에서의 후속 샘플링은 $O^{*}(\max\{n^2, \sigma^2 n^2\})$ 시간 내에 생성될 수 있으며, 이는 이전의 샘플링 복잡도를 향상시킨다.
• 가속화된 냉각과 증명된 KLS 케이스에서의 향상된 혼합 시간 상한을 조합함으로써 부피 계산에 대해 $O^{*}(n^3)$ 복잡도를 달성한다.
• 이제 샘플링의 평균 비용은 부피 계산 비용과 점근적으로 동일한 것으로 간주되며, 이는 이전 알고리즘에서 샘플링 비용이 $n$ 배 더 낮았던 것에 비해 상당한 향상이다.