[论文解读] A Structure Theorem for Poorly Anticoncentrated Gaussian Chaoses and Applications to the Study of Polynomial Threshold Functions

Daniel M. Kane|arXiv (Cornell University)|Apr 2, 2012

Mathematical Dynamics and Fractals参考文献 4被引用 15

一句话总结

本文通过证明高斯混沌中的多项式可被低次多项式 $ h $ 与归一化多项式 $ q_1, \dots, q_m $ 的扩散分解所逼近，提出了一类新颖的结构定理，其中 $ (q_1(X), \dots, q_m(X)) $ 的联合分布避免在小方盒中过度集中。该框架使多项式阈值函数的伪随机生成器、不变性原理和噪声敏感性界得到改进，其 $ \epsilon $-依赖性和 $ d $-依赖性显著优于以往工作。

ABSTRACT

We prove a structural result for degree-$d$ polynomials. In particular, we show that any degree-$d$ polynomial, $p$ can be approximated by another polynomial, $p_0$, which can be decomposed as some function of polynomials $q_1,...,q_m$ with $q_i$ normalized and $m=O_d(1)$, so that if $X$ is a Gaussian random variable, the probability distribution on $(q_1(X),...,q_m(X))$ does not have too much mass in any small box. Using this result, we prove improved versions of a number of results about polynomial threshold functions, including producing better pseudorandom generators, obtaining a better invariance principle, and proving improved bounds on noise sensitivity.

研究动机与目标

• 开发一种针对度数为 $ d $ 的多项式的结构分解方法，以比以往方法更有效地捕捉其反集中行为。
• 克服多项式阈值函数反集中界中 $ \epsilon^{1/d} $ 依赖性的瓶颈。
• 建立多项式的新正则性概念，以支持更强的不变性原理和噪声敏感性界。
• 改进多项式阈值函数的伪随机生成器构造，实现更短的种子长度和更优的误差界。
• 提供一种通过结构化、扩散分解分析多项式阈值函数的框架，避免在小区域内集中。

提出的方法

• 定义一种扩散分解，其中多项式 $ p $ 表示为 $ p(x) = h(q_1(x), \dots, q_m(x)) $，其中 $ q_i $ 为归一化多项式，且 $ m = O_d(1) $。
• 引入 $ (\epsilon, N) $-扩散集合的概念：任意边长为 $ \epsilon $ 的 $ m $ 维方盒中，$ (q_1(X), \dots, q_m(X)) $ 的联合分布概率质量不超过 $ \epsilon^m N $。
• 证明任意度数为 $ d $ 的多项式均存在一个 $ (\epsilon, N, m, \epsilon^{2d}) $-正则分解，其中 $ m = O_{d,m}(1) $，且 $ N $ 控制扩散行为。
• 利用该分解，通过修改后的不变性原理，界定了高斯输入与伯努利输入在多项式阈值函数中的变差。
• 应用正则性引理与不变性原理，推导出改进的噪声敏感性界与伪随机生成器构造。
• 利用 $ k $-独立与 $ 2 $-独立哈希族，构造出种子长度为 $ O_{c,d}(\log n \cdot \epsilon^{-11-c}) $ 的 PRG，其对度数为 $ d $ 的 PTF 的误差为 $ \epsilon^{1-c} $。

实验结果

研究问题

• RQ1 我们能否将度数为 $ d $ 的多项式分解为一个低次多项式与一组归一化多项式的复合，使得其联合分布避免在小方盒中集中？
• RQ2 此类分解是否能为多项式阈值函数提供改进的不变性原理与噪声敏感性界？
• RQ3 我们能否构造出种子长度更短、误差依赖性更优的多项式阈值函数伪随机生成器，优于现有构造？
• RQ4 能否在多项式阈值函数的反集中界中实现与 $ d $ 无关的 $ \epsilon $-依赖性？
• RQ5 该分解的大小能否在 $ d $ 和 $ N $ 上多项式有界，以改进应用中的 $ d $-依赖性？

主要发现

• 任意度数为 $ d $ 的多项式均存在一个 $ (\epsilon, N, m, \epsilon^{2d}) $-正则分解，且 $ m = O_{d,m}(1) $，从而支持其分布的结构化分析。
• 多项式阈值函数的不变性原理改进为误差 $ O_{d,m}(N\tau^{1/5}\log(\tau^{-1})^{dm/2+1}) $，其中 $ \tau $ 控制变量的影响。
• 对于 $ d \geq 3 $，度数为 $ d $ 的 PTF 的噪声敏感性界得到改进，超越了 [4] 中的先前结果。
• 构造出种子长度为 $ O_{c,d}(\log n \cdot \epsilon^{-11-c}) $ 的伪随机生成器，其对度数为 $ d $ 的 PTF 的误差为 $ \epsilon^{1-c} $。
• 该框架支持一种新的正则性引理与针对扩散分解的不变性原理，其定量界强于经典方法。
• 该理论表明，扩散分解可能可推广至复杂性理论与学习理论中多项式阈值函数之外的其他问题。