[论文解读] Improved Algorithms for Alternating Matrix Space Isometry: From Theory to Practice

Peter A. Brooksbank, Joshua A. Grochow+2 more|arXiv (Cornell University)|May 6, 2019

Algorithms and Data Compression参考文献 8被引用 7

一句话总结

本文提出了一种新颖的框架，将组合技术——特别是k维Weisfeiler–Leman算法的超图变体——整合到有限群的代数同构测试中。通过使用递归可细化的滤子和基于亏格的超图着色，该方法在可解群上实现了改进的时间复杂度，并引入了一种具有强覆盖性的新型随机群模型，同时在2类p群和指数为p的群上显著优于以往的平均情况算法。

ABSTRACT

In this paper we combine many of the standard and more recent algebraic techniques for testing isomorphism of finite groups (GpI) with combinatorial techniques that have typically been applied to Graph Isomorphism. In particular, we show how to combine several state-of-the-art GpI algorithms for specific group classes into an algorithm for general GpI, namely: composition series isomorphism (Rosenbaum-Wagner, Theoret. Comp. Sci., 2015; Luks, 2015), recursively-refineable filters (Wilson, J. Group Theory, 2013), and low-genus GpI (Brooksbank-Maglione-Wilson, J. Algebra, 2017). Recursively-refineable filters -- a generalization of subgroup series -- form the skeleton of this framework, and we refine our filter by building a hypergraph encoding low-genus quotients, to which we then apply a hypergraph variant of the k-dimensional Weisfeiler-Leman technique. Our technique is flexible enough to readily incorporate additional hypergraph invariants or additional characteristic subgroups.

研究动机与目标

• 在群同构测试（GpI）中弥合代数与组合技术的鸿沟，特别是通过将图同构工具适配到群论结构中。
• 开发一个统一框架，结合合成列、递归可细化滤子和低亏格商不变量，以应对一般的GpI问题。
• 引入一种新型随机群模型，具有高同构类型覆盖率，以支持更优的平均情况分析。
• 改进2类p群和指数为p的群的同构问题的最先进水平，这些群被广泛认为是GpI中最困难的情况。
• 在MAGMA中实现并实证验证新算法，展示其相对于暴力方法的性能优势。

提出的方法

• 该框架使用递归可细化滤子作为结构骨架，其中每一层对应于群列中子群的商群。
• 将低亏格商群（亏格g）编码为超图，使用局部同构不变量对（共）维数为g的子空间进行着色。
• 对超图应用k维Weisfeiler–Leman过程以细化颜色类，捕捉与群同构兼容的结构对称性。
• 通过确保超图着色尊重群的子群结构和自同构不变量，维持滤子的细化过程。
• 在基础情况下结合上同调技术、码等价性和低亏格同构算法，以提升运行时间。
• 引入一种新型随机群模型，其参数经过调整，使得同构类型的数量与总数呈对数等价，确保广泛覆盖。

实验结果

研究问题

• RQ1 能否有效将Weisfeiler–Leman等组合同构技术适配到群同构问题中，以代数结构为基础？
• RQ2 所提出的滤子-超图细化方法在可解群上的复杂度如何，特别是滤子宽度和颜色比方面？
• RQ3 新型随机群模型是否提供了足够的覆盖，以支持GpI的有意义的平均情况复杂度分析？
• RQ4 该方法是否能在2类p群和指数为p的群上超越现有平均情况算法，特别是在简洁性和适用性方面？
• RQ5 该框架在新不变量或子群出现时，能在多大程度上被扩展以支持其集成？

主要发现

• 该算法在时间复杂度上解决阶为n的可解群同构问题，为(n / color-ratio)^width × poly(n) + n^O(gk)，其中width为滤子中最大商群的维数。
• 在基础情况——具有低亏格可解根基且半单作用平凡的可解群——下，运行时间优化为n^O(log log n)，利用了上同调和码等价性技术。
• 新型随机群模型产生的同构类型数量与总数呈对数等价，确保了平均情况分析的强覆盖性。
• 在随机模型中，滤子-1-WL细化方法实现了常数平均滤子宽度，优于最坏情况的界。
• 对于2类p群和指数为p的群，新算法更简洁，且适用于比Li–Qiao（FOCS ’17）更广泛的随机实例，实验结果表明其在MAGMA中相对于暴力方法具有性能优势。
• 该算法的实现展示了实际效率，尤其在以往方法难以处理的困难情况下表现突出。