[论文解读] A strong direct product theorem in terms of the smooth rectangle bound

Rahul Jain, Penghui Yao|arXiv (Cornell University)|Sep 3, 2012

Complexity and Algorithms in Graphs参考文献 42被引用 19

一句话总结

该论文在双向公开随机通信复杂性中，使用平滑矩形界作为下界方法，建立了强有力的直接乘积定理。它证明了，除非成功概率在 $k$ 上呈指数衰减，否则求解 $k$ 个关系实例所需的资源是单个实例所需资源的 $\Omega(k)$ 倍，从而统一并扩展了关于 Set-Disjointness、Inner Product 和 Gap-Hamming Distance 等函数的已知结果。

ABSTRACT

A strong direct product theorem states that, in order to solve k instances of a problem, if we provide less than k times the resource required to compute one instance, then the probability of overall success is exponentially small in k. In this paper, we consider the model of two-way public-coin communication complexity and show a strong direct product theorem for all relations in terms of the smooth rectangle bound, introduced by Jain and Klauck as a generic lower bound method in this model. Our result therefore uniformly implies a strong direct product theorem for all relations for which an (asymptotically) optimal lower bound can be provided using the smooth rectangle bound, for example Inner Product, Greater-Than, Set-Disjointness, Gap-Hamming Distance etc. Our result also implies near optimal direct product results for several important functions and relations used to show exponential separations between classical and quantum communication complexity, for which near optimal lower bounds are provided using the rectangle bound, for example by Raz [1999], Gavinsky [2008] and Klartag and Regev [2011]. In fact we are not aware of any relation for which it is known that the smooth rectangle bound does not provide an optimal lower bound. This lower bound subsumes many of the other lower bound methods, for example the rectangle bound (a.k.a the corruption bound), the smooth discrepancy bound (a.k.a the γ_2 bound) which in turn subsumes the discrepancy bound, the subdistribution bound and the conditional min-entropy bound. We show our result using information theoretic arguments. A key tool we use is a sampling protocol due to Braverman [2012], in fact a modification of it used by Kerenidis, Laplante, Lerays, Roland and Xiao [2012].

研究动机与目标

• 解决双向公开随机通信复杂性中所有关系是否成立强直接乘积定理的开放问题。
• 以平滑矩形界这一广泛适用的下界方法为基础，建立一个通用结果。
• 统一并重新证明针对特定函数（如 Set-Disjointness 和 Inner Product）的已有强直接乘积结果。
• 将结果扩展到新函数，如 Gap-Hamming Distance 以及用于量子-经典分离的关系。
• 提供一个可能导向更紧下界和对通信复杂性更深入理解的框架。

提出的方法

• 使用信息论论证分析求解 $k$ 个并行实例的协议的成功概率。
• 应用 Braverman 和 Kerenidis 等人提出的改进采样协议，以模拟并界定多实例设置下的误差。
• 采用平滑矩形界作为通用下界方法，该方法推广了矩形（破坏）界及其他已知下界。
• 依赖一个关键引理，涉及条件分布及在互信息和散度满足特定条件下的误差界。
• 利用递归结构定义 $R_j$，即所有其他参与方输入和消息的综合视图，以分析协议行为。
• 通过精心选择的参数设置导出矛盾，证明若资源在 $k$ 上为次线性，则误差必然超过 $\varepsilon$。

实验结果

研究问题

• RQ1 在双向公开随机通信复杂性中，所有关系是否都成立强直接乘积定理？
• RQ2 平滑矩形界在该模型中对所有关系是否渐近紧致？
• RQ3 平滑矩形界能否用于推导新函数或已知函数的最优下界？
• RQ4 能否使用更强的下界方法（如划分界或信息复杂性）证明类似的直接乘积结果？
• RQ5 是否存在平滑矩形界无法捕捉真实通信复杂性的关系？

主要发现

• 当以平滑矩形界参数化时，所有关系在双向公开随机通信复杂性中均成立强直接乘积定理。
• 若使用少于 $k$ 倍单个实例所需资源求解 $k$ 个实例，成功概率在 $k$ 上呈指数衰减。
• 该结果重新证明了 Inner Product 和 Set-Disjointness 的已知强直接乘积定理，确认其在平滑矩形框架下的稳健性。
• 它为 Gap-Hamming Distance 建立了新的强直接乘积结果，将已知的下界扩展至直接乘积领域。
• 该方法暗示了对用于指数级量子-经典分离的关系（如 Raz、Gavinsky 和 Klartag-Regev 所研究的关系）可实现近乎最优的直接乘积结果。
• 该证明技术基于信息论不等式与采样方法，提供了一个适用于任何具有平滑矩形界下界的关系的通用模板。