[论文解读] Bypassing KLS: Gaussian Cooling and an O*(n^3) Volume Algorithm

Ben Cousins, Santosh Vempala|arXiv (Cornell University)|Sep 21, 2014

Point processes and geometric inequalities被引用 6

一句话总结

本文提出了一种针对通过成员查询口令给出的规则凸体的体积估计的 O*(n³) 随机算法，相较于先前的 O*(n⁴) 复杂度实现了显著改进。关键创新在于采用高斯冷却调度，通过在温度降低时加速冷却过程，从而避免了对尚未证明的 KLS 超平面猜想的依赖。

ABSTRACT

We present an O∗(n3) randomized algorithm for estimating the volume of a well-rounded convex body given by a membership oracle, improving on the previous best complexity ofO∗(n4). The new algorithmic ingredient is an accelerated cooling schedule where the rate of cooling increases with the temperature. Previously, the known approach for potentially achieving such complexity relied on a positive resolution of the KLS hyperplane conjecture, a central open problem in convex geometry. 1

研究动机与目标

• 开发一种针对由成员查询口令给出的凸体的更快的随机体积估计算法。
• 消除对凸几何中一个重大开放问题——KLS 超平面猜想的依赖，以实现更优的复杂度界。
• 设计一种随温度降低而加速的冷却调度，以在体积估计中实现更快的收敛。
• 实现 O*(n³) 的复杂度，优于先前的 O*(n⁴) 上界。

提出的方法

• 提出一种新颖的冷却调度，其中冷却速率随温度升高而增加，称为高斯冷却。
• 采用基于温度依赖采样分布的马尔可夫链蒙特卡洛（MCMC）方法。
• 使用一系列对数凹分布，这些分布随温度参数控制而逐渐集中于目标体积。
• 应用几何退火框架，通过调节冷却调度以保持快速混合与收敛。
• 利用高斯测度的集中性质，加速温度参数的衰减。
• 设计一种递归体积估计过程，根据当前温度和凸体的几何特性自适应调整冷却速率。

实验结果

研究问题

• RQ1 能否在不依赖 KLS 超平面猜想的前提下，使体积估计算法实现 O*(n³) 复杂度？
• RQ2 如何加速几何采样中的冷却调度以提高收敛速率？
• RQ3 温度依赖的采样分布在此过程中对保持快速混合起到了什么作用？
• RQ4 是否可以通过使冷却速率随温度降低而增加，实现更快的收敛？

主要发现

• 所提出的算法在体积估计中实现了 O*(n³) 的复杂度，相较于先前的 O*(n⁴) 上界具有显著改进。
• 该算法避免了对 KLS 超平面猜想的依赖，而该猜想此前被认为实现此类复杂度所必需。
• 高斯冷却调度通过在低温时加速冷却过程，实现了更快的收敛。
• 该方法在整个退火过程中保持了马尔可夫链的快速混合，从而确保了准确的体积估计。