[논문 리뷰] On Hashing-Based Approaches to Approximate DNF-Counting

Kuldeep S. Meel, Aditya A. Shrotri외 1명|arXiv (Cornell University)|2017. 10. 14.

Data Management and Algorithms참고 문헌 6인용 수 9

한 줄 요약

이 논문은 기존에 해싱 기반 DNF 모델 수세기에서 달성되지 않았던, 상태 최적의 몬테카를로 방법과 경쟁 가능한 시간 복잡도를 갖는 완전 다항식 랜덤화 근사 스킴(FPRAS)을 달성하는 새로운 해싱 기반 접근법을 제안한다. 주요 기여는 기호 해싱(Symbolic Hashing), 스토하스틱 셀 카운팅(Stochastic Cell Counting), 그리고 새로운 행 기저형 해싱 함수 가족(HREX)으로, 이는 그레이 코드를 통한 효율적 열거와 함께 복잡도를 Õ(mn log(1/δ)/ε²)로 감소시킨다.

ABSTRACT

Propositional model counting is a fundamental problem in artificial intelligence with a wide variety of applications, such as probabilistic inference, decision making under uncertainty, and probabilistic databases. Consequently, the problem is of theoretical as well as practical interest. When the constraints are expressed as DNF formulas, Monte Carlo-based techniques have been shown to provide a fully polynomial randomized approximation scheme (FPRAS). For CNF constraints, hashing-based approximation techniques have been demonstrated to be highly successful. Furthermore, it was shown that hashing-based techniques also yield an FPRAS for DNF counting without usage of Monte Carlo sampling. Our analysis, however, shows that the proposed hashing-based approach to DNF counting provides poor time complexity compared to the Monte Carlo-based DNF counting techniques. Given the success of hashing-based techniques for CNF constraints, it is natural to ask: Can hashing-based techniques provide an efficient FPRAS for DNF counting? In this paper, we provide a positive answer to this question. To this end, we introduce two novel algorithmic techniques: \emph{Symbolic Hashing} and \emph{Stochastic Cell Counting}, along with a new hash family of \emph{Row-Echelon hash functions}. These innovations allow us to design a hashing-based FPRAS for DNF counting of similar complexity (up to polylog factors) as that of prior works. Furthermore, we expect these techniques to have potential applications beyond DNF counting.

연구 동기 및 목표

• CNF 수세기에서는 성공을 거둔 바에도 불구하고, DNF 수세기에서 효율적인 해싱 기반 근사 기법의 격차를 메우기 위해.
• 이전의 해싱 기반 DNF 수세기 접근법이 공식 크기의 4차 복잡도를 보였던 데서 비롯된 낮은 시간 복잡도 문제를 해결하기 위해.
• 최신 몬테카를로 기법과 동일한 복잡도를 갖는 해싱 기반 FPRAS를 DNF 수세기에서 설계하기 위해.
• 새로운 알고리즘 원리와 특수화된 해싱 가족을 도입함으로써 해싱 기반 기법의 실용적 확장성을 높이기 위해.
• CNF+XOR 및 확률적 SAT 해결과 같은 다른 제약 클래스로 해싱 기반 기법을 확장하기 위한 기초를 마련하기 위해.

제안 방법

• 희소하고 빠른 해답 열거를 위해 그레이 코드를 활용하는 HREX(행 기저형)로 불리는 새로운 2-유일성 해싱 함수 가족을 제안한다.
• 해당 기법은 DNF 구조 위에서 해싱 함수의 효율적 표현과 조작을 가능하게 하는 기호 해싱(Symbolic Hashing)을 도입한다.
• 셀 별 해답 수를 확률적으로 추정함으로써 각 셀 별 정확한 SAT 해결에 의존하는 것을 줄이는 스토하스틱 셀 카운팅(Stochastic Cell Counting)을 개발한다.
• HREX 함수의 희소성 특성을 활용해 해답 열거를 가속화하고 계산 오버헤드를 감소시킨다.
• 다중 실행에 걸쳐 중앙값 강화를 통합하여 신뢰도를 1−δ로 높여 고확률 정확성을 확보한다.
• 샘플링과 농도 불등식을 활용해 해답 수를 추정함으로써 올바른 셀 크기를 식별하기 위한 재귀적 임계값 전략을 사용한다.

실험 결과

연구 질문

• RQ1 해싱 기반 기법이 몬테카를로 방법과 경쟁 가능한 시간 복잡도를 갖는 DNF 모델 수세기의 FPRAS를 달성할 수 있는가?
• RQ2 해싱 기반 DNF 수세기가 효율적이면서도 고확률 정확성을 확보하기 위해 어떤 새로운 알고리즘 기법이 필요한가?
• RQ3 DNF 공식의 구조는 어떻게 활용되어 효율적이고 희소한 해싱 함수를 설계하고, 이를 통해 빠른 해답 열거를 지원할 수 있는가?
• RQ4 이 프레임워크는 CNF+XOR나 확률적 SAT와 같은 다른 제약 클래스로 일반화될 수 있는가?
• RQ5 제안된 해싱 기반 FPRAS의 이론적 시간 복잡도는 무엇이며, 이는 이전 접근법과 어떻게 비교되는가?

주요 결과

• 제안된 알고리즘인 SymbolicDNFApproxMC는 시간 복잡도 Õ(mn log(1/δ)/ε²)를 갖는 FPRAS를 달성하며, 최고 수준의 몬테카를로 기법과 동일한 성능을 보인다.
• HREX 해싱 함수 가족은 그레이 코드를 활용해 효율적인 해답 열거를 가능하게 하여 셀 별 해답 수 평가 비용을 크게 감소시킨다.
• 기호 해싱은 DNF 절들 위에서 해싱 함수의 압축 표현과 빠른 계산을 가능하게 하여 확장성을 향상시킨다.
• 스토하스틱 셀 카운팅은 각 셀 별 정확한 SAT 해결에 의존하는 것을 줄이고 확률적 추정을 사용함으로써 성능을 향상시킨다.
• 이론적 분석을 통해 알고리즘이 확률 1−δ 이상으로 (1+ε)-근사 값을 반환하며, 오차 한계는 농도 부등식에서 유도됨을 확인하였다.
• 복잡도는 거의 최적에 가깝고, 최신 기술과 비교해 다항로그 인자 외에는 차이가 없으며, 해싱 기반 DNF 수세기의 효율성 가능성을 오랫동안 둔항시켜 온 문제를 해결하였다.