[논문 리뷰] Multi-Scale Merge-Split Markov Chain Monte Carlo for Redistricting

Eric A. Autry, Daniel Carter외 3명|arXiv (Cornell University)|2020. 08. 18.

Markov Chains and Monte Carlo Methods참고 문헌 11인용 수 8

한 줄 요약

이 논문은 지역구 분할 문제에 대해 다중 척도 병합-분할 메트로폴리스 체인 몬테카를로(MCMC) 알고리즘을 도입하여 계산 효율성을 향상시키고, 군 및 선거구와 같은 이해관계 공동체를 유지한다. 스패닝 트리 대신 계층적 트리를 사용함으로써 계산 복잡도를 O(N^2.373)에서 O(log N)으로 감소시켜 높은 해상도에서의 지역구 계획 샘플링을 가능하게 하면서도, 세부 균형과 알려진 불변 측도로의 수렴을 유지한다.

ABSTRACT

We develop a Multi-Scale Merge-Split Markov chain on redistricting plans. The chain is designed to be usable as the proposal in a Markov Chain Monte Carlo (MCMC) algorithm. Sampling the space of plans amounts to dividing a graph into a partition with a specified number of elements which each correspond to a different district. The districts satisfy a collection of hard constraints and the measure may be weighted with regard to a number of other criteria. The multi-scale algorithm is similar to our previously developed Merge-Split proposal, however, this algorithm provides improved scaling properties and may also be used to preserve nested communities of interest such as counties and precincts. Both works use a proposal which extends the ReCom algorithm which leveraged spanning trees merge and split districts. In this work we extend the state space so that each district is defined by a hierarchy of trees. In this sense, the proposal step in both algorithms can be seen as a "Forest ReCom." We also expand the state space to include edges that link specified districts, which further improves the computational efficiency of our algorithm. The collection of plans sampled by the MCMC algorithm can serve as a baseline against which a particular plan of interest is compared. If a given plan has different racial or partisan qualities than what is typical of the collection of plans, the given plan may have been gerrymandered and is labeled as an outlier.

연구 동기 및 목표

• 지역구 분할 계획을 샘플링하는 확장 가능한 MCMC 방법을 개발하여 군 및 선거구와 같은 지리적 이해관계 공동체를 유지한다.
• 계층적 몫 그래프의 계층을 사용하여 지역구 분할 문제에서 트리 기반 MCMC 제안의 계산 복잡도를 다항식에서 로그로 감소시킨다.
• 세부 균형과 에르고딕성을 유지하면서도, 인구 조사 블록 수준까지의 높은 해상도 지역구 계획을 효율적으로 샘플링할 수 있도록 한다.
• 특정 계획을 일반 계획들로 이루어진 앙상블과 비교하여 지지율 조작을 탐지하기 위한 강력한 기반 앙상블을 제공한다.

제안 방법

• 각 지역구가 포함된 중첩된 트리의 계층으로 표현되는 다중 척도 프레임워크를 사용하여 그래프 위의 스패닝 포레스트를 형성한다.
• 스패닝 트리 대신 계층적 트리 구조를 사용하는 '포레스트 ReCom' 제안을 통해 ReCom 알고리즘을 확장한다.
• 각 계층의 고정 크기 분할에 대해 킬리호프의 정리를 적용하여 유효한 트리 구성 수를 계산하는 데 드는 비용을 O(log N)으로 감소시킨다.
• 제안 단계 동안 혼합성과 계산 효율성을 향상시키기 위해 상태 공간을 상하좌우 지역구 간 간선까지 확장한다.
• 기존 군 및 선거구 기반 정적 계층과 샘플링 도중 변화하는 동적 계층 모두를 지원한다.
• 유효한 지역구 분할 계획 공간에서의 불변 측도와 일관된 제안을 구성함으로써 가역성과 세부 균형을 보장한다.

실험 결과

연구 질문

• RQ1 다중 척도 MCMC 알고리즘이 트리 기반 지역구 분할 제안의 계산 복잡도를 다항식에서 로그로 감소시키면서도 지리적 이해관계 공동체를 유지할 수 있는가?
• RQ2 스패닝 트리 대신 계층적 트리를 사용할 경우 지역구 샘플링에서 MCMC 체인의 혼합 성질과 수렴에 어떤 영향을 미치는가?
• RQ3 이 알고리즘은 군 및 선거구 분할을 엄격하게 제어하면서도 대규모 경계 변화를 가능하게 할 수 있는 정도는 어느 정도인가?
• RQ4 이 방법은 인구 조사 블록 수준까지의 지역구 계획에 대해 계산 가능성을 잃지 않고 효과적으로 확장될 수 있는가?
• RQ5 그래프 구조나 공동체 유지에 대한 어떤 제약 조건이 알고리즘이 에르고딕성을 상실하게 만들 수 있는가?

주요 결과

• 다중 척도 병합-분할 MCMC 알고리즘은 트리 수 계산의 계산 복잡도를 O(N^2.373)에서 O(log N)으로 감소시켜 높은 해상도에서의 효율적 샘플링을 가능하게 한다.
• 계층적 구조를 사용함으로써 노드의 무결성을 여러 수준에서 유지함으로써 군 및 선거구와 같은 이해관계 공동체를 성공적으로 유지한다.
• 수렴 분석 결과 수렴 속도가 약 0.42로 추정되어, 마진할 분포의 구조적 차이에도 불구하고 체인이 유사한 분포로 수렴하는 것으로 나타났다.
• 이 방법은 특정 계획을 일반 계획들로 이루어진 앙상블과 비교하여 지지율 조작을 탐지하는 데 사용할 수 있는 지역구 계획 앙상블을 생성한다.
• 특히 인구 조사 블록을 포함한 대규모 문제에 대해 이전 방법보다 확장성과 계산 효율성이 뛰어나다.
• 이 접근법은 계산 가능하고 통계적으로 신뢰할 수 있는 고해상도 지역구 앙상블을 생성할 수 있으며, 법적 및 정책적 응용에 적합하다.