[논문 리뷰] Subset Sum Made Simple

Konstantinos Koiliaris, Chao Xu|arXiv (Cornell University)|2018. 07. 22.

Complexity and Algorithms in Graphs참고 문헌 15인용 수 3

한 줄 요약

이 논문은 분할 정복과 빠른 푸리에 변환(Fast Fourier Transform, FFT)을 사용하여 서브셋 합 문제에 대한 개념적으로 단순한 새로운 알고리즘을 제안한다. 이 알고리즘은 $ ilde{O}(ar{u} ar{u})$의 시간 복잡도를 달성하며, 기존에 알려진 최고의 결정론적 실행 시간과 일치한다. 이 방법은 $ floorar{u} ar{u} floor$에 대한 합동으로 입력 집합을 분할하고, 각 잔류 클래스 내에서 부분집합 합을 재귀적으로 계산한 후, FFT 기반의 컨볼루션을 통해 결과를 조합한다.

ABSTRACT

Subset Sum is a classical optimization problem taught to undergraduates as an example of an NP-hard problem, which is amenable to dynamic programming, yielding polynomial running time if the input numbers are relatively small. Formally, given a set $S$ of $n$ positive integers and a target integer $t$, the Subset Sum problem is to decide if there is a subset of $S$ that sums up to $t$. Dynamic programming yields an algorithm with running time $O(nt)$. Recently, the authors [SODA '17] improved the running time to $ ilde{O}\bigl(\sqrt{n}t\bigr)$, and it was further improved to $ ilde{O}\bigl(n+t\bigr)$ by a somewhat involved randomized algorithm by Bringmann [SODA '17], where $ ilde{O}$ hides polylogarithmic factors. Here, we present a new and significantly simpler algorithm with running time $ ilde{O}\bigl(\sqrt{n}t\bigr)$. While not the fastest, we believe the new algorithm and analysis are simple enough to be presented in an algorithms class, as a striking example of a divide-and-conquer algorithm that uses FFT to a problem that seems (at first) unrelated. In particular, the algorithm and its analysis can be described in full detail in two pages (see pages 3-5).

연구 동기 및 목표

• 최고의 결정론적 시간 복잡도를 달성하면서도 개념적으로 더 단순하고 직관적인 서브셋 합 문제 알고리즘을 제안하는 것.
• FFT를 비명백한 방식으로 적용하여, 다이내믹 프로그래밍 문제 중 하나인 서브셋 합 문제를 다항 시간 복잡도로 해결할 수 있는 방법을 보여주는 것.
• 고급 알고리즘 수업에 포함하기에 적합한 깔끔하고 교육적인 알고리즘을 제공하는 것.
• 특히 브링만의 랜덤화 알고리즘과 저자들의 이전 방법에 비해 개념적 및 기술적 복잡성을 줄이는 것.
• 두 페이지 내로 완전히 설명할 수 있는 통합적이고 투명한 분석을 제공하여 교육적 접근성을 높이는 것.

제안 방법

• 입력 집합 $S$를 $n$개의 양의 정수로 구성되어 있으며, $b = \lfloor \sqrt{n\log n} \rfloor$개의 잔류 클래스로 분할한다. 이는 $x \bmod b$ 기반으로 이루어진다.
• 각 잔류 클래스 $S_\ell$에 대해, 원소들을 $Q_\ell = \{(x - \ell)/b \mid x \in S_\ell\}$로 변환하여 문제를 더 작은 부분집합 합 문제로 축소한다.
• 표준 분할 정복 접근법을 사용하여, 각 $Q_\ell$에 대해 카디널리티 정보를 포함한 부분집합 합 $\mathcal{S}^{\#}_{u/b}(Q_\ell)$를 재귀적으로 계산한다.
• 각 쌍 $(z,j) \in \mathcal{S}^{\#}_{u/b}(Q_\ell)$에 대해 $zb + \ell j$를 통해 결과를 원래 합으로 매핑하여 $\mathcal{S}_u(S_\ell)$를 도출한다.
• 모든 잔류 클래스의 부분집합 합을 $u$-제한된 쌍별 합 연산 $\oplus_u$를 통해 조합한다. 이는 FFT를 통해 효율적으로 구현된다.
• FFT 기반 컨볼루션을 사용하여, $b = \Theta(\sqrt{n\log n})$라는 사실을 활용해 클래스 간 부분집합 합의 합집합을 $O(b u \log u)$ 시간에 계산한다.

실험 결과

연구 질문

• RQ1 복잡한 랜덤화나 정교한 재귀적 자료구조에 의존하지 않고도, $\tilde{O}(\sqrt{n}\,t)$ 시간 복잡도를 달성하는 더 단순하고 결정론적인 알고리즘을 설계할 수 있는가?
• RQ2 서브셋 합 문제와 같이 본질적으로 컨볼루션을 포함하지 않는 문제에 대해 FFT를 효과적으로 적용할 수 있는가?
• RQ3 입력을 합동으로 분할하고 FFT를 사용해 결과를 효율적으로 조합하는 분할 정복 알고리즘을 서브셋 합 문제에 대해 설계할 수 있는가?
• RQ4 근사적으로 최적의 다항 시간 복잡도를 달성하기 위해 필요한 최소한의 개념적 부담은 얼마인가?
• RQ5 이 알고리즘이 표준 알고리즘 수업에서 가르칠 수 있도록 충분히 투명하고 자율적인가?

주요 결과

• 제안된 알고리즘은 $u = t$일 때, $O(\sqrt{n\log n}\,u\log u)$ 시간에 $u$ 이하의 모든 부분집합 합을 계산하며, 이는 $\tilde{O}(\sqrt{n}\,t)$의 최고의 결정론적 실행 시간과 일치한다.
• 이 알고리즘은 $\lfloor \sqrt{n\log n} \rfloor$에 대한 합동으로 입력을 분할함으로써 문제 크기를 줄이고, 효율적인 FFT 기반 조합을 가능하게 하는 깔끔한 분할 정복 전략을 통해 이 결과를 달성한다.
• 잔류 클래스 간 부분집합 합의 합집합을 계산하는 데서 FFT의 사용이 핵심이며, 결과 조합의 총 비용은 $b = \lfloor \sqrt{n\log n} \rfloor$일 때 $O(b u \log u)$로 제한된다.
• 알고리즘은 결정론적이며, 브링만의 $\tilde{O}(n + t)$ 알고리즘에서 사용된 복잡한 랜덤화와 이중 단계의 색상 코딩을 피하므로, 교육 및 구현에 더 접근하기 용이하다.
• 분석은 간결하며 두 페이지 내로 완전히 설명할 수 있어 고급 알고리즘 교재 및 수업에 포함하기에 적합하다.
• 이 알고리즘은 모든 부분집합 합 문제로 일반화되며, 카디널리티 정보를 포함한 모든 부분집합 합을 계산하므로 원래의 서브셋 합 결정 문제에 직접 적용 가능하다.