[论文解读] Beating the random assignment on constraint satisfaction problems of bounded degree

Boaz Barak, Ankur Moitra+8 more|arXiv (Cornell University)|May 13, 2015

Constraint Satisfaction and Optimization被引用 8

一句话总结

本文提出了一种经典算法，在有界度约束满足问题（CSPs）上优于随机分配，对 Max-$k$ XOR 问题实现了 $\frac{1}{2} + \bigOmega(1/\b{D})$ 的约束满足比例，对一般无三角形 CSP 问题实现了 $\b{\text{opt}} + \bigOmega(1/\b{D})$ 的满足比例，其中 $D$ 为变量的最大度数。该方法基于局部约束结构进行随机划分与阈值处理，将满足率提升至超过随机猜测水平，其性能匹配并优于先前的量子算法。

ABSTRACT

We show that for any odd $k$ and any instance of the Max-kXOR constraint satisfaction problem, there is an efficient algorithm that finds an assignment satisfying at least a $\frac{1}{2} + Ω(1/\sqrt{D})$ fraction of constraints, where $D$ is a bound on the number of constraints that each variable occurs in. This improves both qualitatively and quantitatively on the recent work of Farhi, Goldstone, and Gutmann (2014), which gave a \emph{quantum} algorithm to find an assignment satisfying a $\frac{1}{2} + Ω(D^{-3/4})$ fraction of the equations. For arbitrary constraint satisfaction problems, we give a similar result for "triangle-free" instances; i.e., an efficient algorithm that finds an assignment satisfying at least a $μ+ Ω(1/\sqrt{D})$ fraction of constraints, where $μ$ is the fraction that would be satisfied by a uniformly random assignment.

研究动机与目标

• 开发一种经典算法，使其在解决有界度约束满足问题（CSPs）时，特别是 Max-$k$ XOR 和无三角形 CSP 问题，超越随机分配。
• 弥合经典算法与量子算法在CSP近似中的差距，特别是在近期量子结果实现 $\tfrac{1}{2} + \bigOmega(D^{-3/4})$ 的 Max-3 XOR 近似背景下。
• 提供一种确定性、高效且可在经典计算机上实现的方法，使其在这些问题上的性能与或超过量子算法。
• 证明相对于随机分配的 $\bigOmega(1/\b{D})$ 优势在经典方法下是紧致且可实现的，即使在近似抗性设置中亦然。

提出的方法

• 该算法将变量随机划分为两个集合 $\bm{F}$ 和 $\bm{G}$，其中每个变量以概率 $\tfrac{1}{2}$ 独立地分配至 $\bm{G}$。
• 对于每个变量 $x_j$，基于活跃约束贡献之和的中位数计算阈值 $\theta_j$，近似真实中位数至小误差 $\delta$ 以内。
• 每个变量 $\bm{x}_j$ 的符号设为 $\mathrm{sgn}(\bm{Q}_j - \widetilde{\theta}_j)$，其中 $\bm{Q}_j$ 是涉及 $x_j$ 的约束值之和，$\widetilde{\theta}_j$ 是中位数的采样近似。
• 分析利用傅里叶分析与集中不等式，表明 $\mathbb{E}[\bm{x}_j] \approx 0$，且当 $\delta$ 较小时，非活跃约束的贡献可忽略。
• 关键技术步骤是证明 $\mathbb{E}[\sqrt{|\bm{N}_i|} \mid i \in \bm{G}] \geq \exp(-O(k)) \cdot \sqrt{\deg(i)}$，利用无三角形结构带来的独立性以及约束的 $2^{-k+1}$ 激活概率。
• 该算法在 $\operatorname{poly}(m,n,\exp(k))$ 时间内运行，并可高概率地高效计算近似阈值与符号。

实验结果

研究问题

• RQ1 经典算法能否在有界变量度数 $D$ 的 Max-$k$ XOR 实例上实现优于随机分配的近似比？
• RQ2 是否可能通过经典方法匹配或超越 Farhi 等人提出的近期量子算法在 Max-3 XOR 上实现的 $\tfrac{1}{2} + \bigOmega(D^{-3/4})$ 性能？
• RQ3 能否在一般无三角形 CSP 上实现相对于随机分配的 $\bigOmega(1/D)$ 优势，而不仅限于 Max-$k$ XOR？
• RQ4 在有界度CSP中，近似比与度数界 $D$ 之间的最优权衡是什么？是否能通过经典方法实现？
• RQ5 基于中位数的阈值方法能否在有界误差下高效实现，同时保持期望满足率的增益？

主要发现

• 该算法在 Max-$k$ XOR 上实现了 $\tfrac{1}{2} + \bigOmega(1/\sqrt{D})$ 的约束满足比例，优于 Farhi 等人先前量子算法的 $\tfrac{1}{2} + \bigOmega(D^{-3/4})$ 保证。
• 对于一般无三角形 CSP，该算法至少满足 $\mu + \bigOmega(1/\sqrt{D})$ 的约束比例，其中 $\mu$ 为随机分配下的期望比例。
• 该改进通过一种经典、高效的算法实现，采用随机划分与阈值处理，避免了量子计算。
• 分析表明，非活跃约束的期望贡献被限制在 $2^k \delta$ 以内，当 $\delta = 1/\operatorname{poly}(m,n,\exp(k))$ 时可忽略不计。
• 该方法建立了 $\mathbb{E}[\sqrt{|\bm{N}_i|} \mid i \in \bm{G}] \geq \exp(-O(k)) \cdot \sqrt{\deg(i)}$，这对实现 $\bigOmega(1/\sqrt{D})$ 的增益至关重要。
• 该算法可在 $\operatorname{poly}(m,n,\exp(k))$ 时间内高概率地计算近似阈值 $\widetilde{\theta}_j$ 并定义 $\mathrm{sgn}(0)$，使其具有实际可实现性。