[論文レビュー] Scalable Algorithms for Approximate DNF Model Counting

Burkhardt, Paul, David G. Harris+1 more|arXiv (Cornell University)|Jan 15, 2026

Bayesian Modeling and Causal Inference被引用数 0

ひとこと要約

提案された論文は、適応的ストップとショートサーキットを備えた新しいモンテカルロアルゴリズムを用いて、近似DNFモデルカウントにPAC保証を提供し、従来のFPRASよりも優れた性能を示し、百万人規模の変数問題へスケールする。

ABSTRACT

Model counting of Disjunctive Normal Form (DNF) formulas is a critical problem in applications such as probabilistic inference and network reliability. For example, it is often used for query evaluation in probabilistic databases. Due to the computational intractability of exact DNF counting, there has been a line of research into a variety of approximation algorithms. These include Monte Carlo approaches such as the classical algorithms of Karp, Luby, and Madras (1989), as well as methods based on hashing (Soos et al. 2023), and heuristic approximations based on Neural Nets (Abboud, Ceylan, and Lukasiewicz 2020). We develop a new Monte Carlo approach with an adaptive stopping rule and short-circuit formula evaluation. We prove it achieves Probably Approximately Correct (PAC) learning bounds and is asymptotically more efficient than the previous methods. We also show experimentally that it out-performs prior algorithms by orders of magnitude, and can scale to much larger problems with millions of variables.

研究の動機と目的

• 確率的推論、データベース、信頼性におけるスケーラブルな近似DNFカウントの必要性を動機づける。
• 適応的ストップとショートサーキット評価を組み込んだ新しいモンテカルロ手法を開発する。
• 理論的なPAC保証を提供し、先行手法と比較して漸近的コストを比較する。
• 数百万の変数を超える非常に大規模な問題インスタンスへの経験的スケーラビリティを示す。

提案手法

• DNFモデル比を推定するためにクローズをサンプリングし部分割当を用いるLazy Monte Carlo Samplingを導入する。
• KLMの遅延サンプリング版であるL-KLMを開発し、変数割り当てを遅延させてサンプリングを削減する（アルゴリズム1）。
• メモリ局所性を改善するために固定されたクローズ順序と適応的ストップルールを持つMain Algorithmを提示する（アルゴリズム2）。
• P1という置換生成手順を用いてヒューリスティックとランダムなクローズ順をブレンドし性能を向上させる。
• PAC型の保証を証明し、時間、乱数、空間の境界を導出する（定理1、4、5、6）。
• 合成DNF上でPepin、KLM、L-KLM、Neural#DNFと比較して実装とベンチマークを行う。

実験結果

リサーチクエスチョン

• RQ1 適応的ストップとショートサーキットを備えたモンテカルロ手法はDNFモデルカウントにPAC保証を提供できるか？
• RQ2 固定クローズ順序の再利用はメモリ局所性と実行時間にどのような影響を与えるか（完全にランダムなアプローチと比べて？）
• RQ3 新しいアルゴリズムの漸近的な時間、乱数、空間計算量は従来のFPRAS手法と比べてどうか？
• RQ4 新手法は百万個の変数とクローズを持つDNFに対してどうスケールするか？

主な発見

Algorithm	Time	Randomness	Space
KLM	(log 1/δ)/(ε^2) · (m w + n/p)	(log 1/δ)/(ε^2) · (m log m + n/p)	m w
Pepin	(log 1/δ)/(ε^2) · m n log(m/δ ε)	unspecified	m n · (log 1/δ)/(ε^2)
L-KLM	(log 1/δ)/(ε^2) · m w	(log 1/δ)/(ε^2) · m log m	m w
Ours	(log 1/δ)/(ε^2) · m w log(1/p)	(log 1/δ)/(ε^2) · min{m log(1/p), n/p}	m w

• 提案されたMain Algorithmは、期待作業量O(m w log(2/p) log(1/δ) / ε^2)および乱択計算量O(min{m log(2/p), n/p} log(1/δ) / ε^2)というPAC保証を一定の条件下で達成する。
• L-KLMは変数を遅延割り当てすることでサンプリングをさらに削減し、KLMよりもスケーラビリティと定数を改善する。
• 経験的結果は新しいアプローチが既存の最先端FPRAS手法を上回り、10^6を超える変数を持つ問題にもスケールし、しばしばNeural#DNFと同等の速度に達することを示す。
• 本手法は乱数使用量の削減、固定クローズ順によるメモリ局所性の向上、クローズチェックの効果的なショートサーキットの恩恵を受ける。
• synthetic DNFs を用いた実験は、厳しいPACパラメータ（ε、δ）下での強いスケーリングと精度を示す。