[논문 리뷰] Improved Mixing Condition on the Grid for Counting and Sampling Independent Sets

Ricardo Restrepo, Jinwoo Shin외 3명|arXiv (Cornell University)|2011. 05. 04.

Markov Chains and Monte Carlo Methods참고 문헌 28인용 수 10

한 줄 요약

이 논문은 Weitz의 자가피避보행 나무 접근법을 정교화하여 2차원 정수 격자에서 하드코어 모델의 유일성 임계값을 향상시켰으며, 모든 $\lambda < 2.3882$ 에서 강한 공간 혼합성을 확립함으로써 분할 함수의 효율적 근사 알고리즘과 글라우버 동역학의 빠른 혼합성을 암시한다. 이 방법은 최대 차수를 초월한 그래프 구조를 활용하는 새로운 기술적 기준을 도입한다.

ABSTRACT

We study the hard-core model defined on independent sets, where each independent set I in a graph G is weighted proportionally to $λ^{|I|}$, for a positive real parameter $λ$. For large $λ$, computing the partition function (namely, the normalizing constant which makes the weighting a probability distribution on a finite graph) on graphs of maximum degree $D\ge 3$, is a well known computationally challenging problem. More concretely, let $λ_c(T_D)$ denote the critical value for the so-called uniqueness threshold of the hard-core model on the infinite D-regular tree; recent breakthrough results of Dror Weitz (2006) and Allan Sly (2010) have identified $λ_c(T_D)$ as a threshold where the hardness of estimating the above partition function undergoes a computational transition. We focus on the well-studied particular case of the square lattice $\integers^2$, and provide a new lower bound for the uniqueness threshold, in particular taking it well above $λ_c(T_4)$. Our technique refines and builds on the tree of self-avoiding walks approach of Weitz, resulting in a new technical sufficient criterion (of wider applicability) for establishing strong spatial mixing (and hence uniqueness) for the hard-core model. Our new criterion achieves better bounds on strong spatial mixing when the graph has extra structure, improving upon what can be achieved by just using the maximum degree. Applying our technique to $\integers^2$ we prove that strong spatial mixing holds for all $λ&lt;2.3882$, improving upon the work of Weitz that held for $λ&lt;27/16=1.6875$. Our results imply a fully-polynomial deterministic approximation algorithm for estimating the partition function, as well as rapid mixing of the associated Glauber dynamics to sample from the hard-core distribution.

연구 동기 및 목표

• 2차원 정수 격자에서 하드코어 모델의 유일성 임계값 $\lambda_c(\mathbb{Z}^2)$ 에 대한 기존 하한을 향상시키는 것.
• 최대 차수를 초월한 그래프 구조를 활용하는 강한 공간 혼합성에 대한 새로운 충분 조건을 개발하는 것.
• Weitz의 자가피避보행 나무 방법을 개선하여 하드코어 모델의 계산적 상전이에 대한 더 날카로운 경계를 확보하는 것.
• 분할 함수에 대한 완전 다항식 결정적 근사 체계(FPAS)와 $\mathbb{Z}^2$ 에서의 글라우버 동역학의 빠른 혼합성을 제공하는 것.

제안 방법

• 강한 공간 혼합성에 대한 새로운 기술적 기준을 도입함으로써 Weitz의 자가피避보행 나무 접근법을 정교화함.
• 하드코어 모델에서의 影響 전파를 모델링하기 위해 분기 행렬 표현을 사용함.
• 영향 전파를 행렬 부등식 조건으로 변환하기 위해 통계량 $\varphi$ 를 적용함.
• 이 sop의 부등식 $\tanh(\beta^*)\mathbf{M}\mathbf{c} < \mathbf{c}$ 를 통해 강한 공간 혼합성에 대한 충분 조건을 유도함. 이는 이징 모델 프레임워크에서 유도된 것임.
• 고정밀도로 2차원 격자에서 새로운 기준을 평가하기 위해 병렬 GPU 계산을 활용함.
• 모든 $\lambda < 2.3882$ 에서 강한 공간 혼합성이 성립함을 입증함으로써 개선된 경계를 검증함.

실험 결과

연구 질문

• RQ1 하드코어 모델에서 2차원 격자에서의 유일성 임계값 $\lambda_c(\mathbb{Z}^2)$ 에 대한 최선의 알려진 하한은 무엇인가요?
• RQ2 자기피避보행 나무 방법은 2차원 격자의 최대 차수를 초월한 구조적 특성을 활용하도록 정교화될 수 있는가요?
• RQ3 강한 공간 혼합성에 대한 새로운 기준은 이전 방법보다 $\lambda_c(\mathbb{Z}^2)$ 에 대해 더 나은 경계를 제공하는가요?
• RQ4 어떤 $\lambda$ 값에 대해 $\mathbb{Z}^2$ 에서의 글라우버 동역학이 빠르게 혼합하는가요?
• RQ5 개선된 혼합 조건은 분할 함수에 대한 완전 다항식 결정적 근사 체계를 이끌 수 있는가요?

주요 결과

• 모든 $\lambda < 2.3882$ 에서 하드코어 모델이 $\mathbb{Z}^2$ 에서 강한 공간 혼합성을 확립함으로써 Weitz의 $\lambda < 27/16 = 1.6875$ 보다 크게 향상됨.
• 새로운 강한 공간 혼합성 기준은 최대 차수를 초월한 추가적인 구조를 가진 그래프에 적용 가능하며, 차수 기반 방법보다 더 날카로운 경계를 도출함.
• 향상된 혼합 임계값은 $\mathbb{Z}^2$ 에서 분할 함수에 대한 완전 다항식 결정적 근사 체계(FPAS)의 존재를 암시함.
• 모든 $\lambda < 2.3882$ 에서 하드코어 모델의 글라우버 동역학은 $\mathbb{Z}^2$ 에서 빠르게 혼합됨.
• 이 방법은 일반화 가능하며, $d=2$ 에서 $\beta^* \approx 0.39219$ 를 얻어 이징 모델에 대해 $\mathbb{Z}^d$ 에서 강한 공간 혼합성 경계를 도출함. 이는 Weitz의 $\beta < 0.34657$ 보다 높음.
• 결과적으로, 추측된 임계값 $\lambda_c(\mathbb{Z}^2) \approx 3.796$ 와 엄밀한 하한 사이의 격차를 좁히는 데 중요한 단계를 제공함.