[论文解读] Matrix P-norms are NP-hard to approximate if p ≠1,2,∞

Julien M. Hendrickx, Alex Olshevsky|arXiv (Cornell University)|Aug 11, 2009

Matrix Theory and Algorithms被引用 10

一句话总结

本文证明，对于任意有理数 p ∈ [1, ∞) 且 p ≠ 1, 2 的情况，以任意相对精度近似矩阵 p-范数是 NP-难的，且对于任意有理数 p ∈ [1, ∞)，近似 ∞,p 混合范数也是 NP-难的，除非 P = NP。这些结果确立了数值线性代数中范数近似的基本计算极限。

ABSTRACT

Abstract. We show that for any rational p ∈ [1, ∞) except p = 1,2, unless P = NP, there is no polynomial-time algorithm for approximating the matrix p-norm to arbitrary relative precision. We also show that for any rational p ∈ [1, ∞) including p = 1, 2, unless P = NP, there is no polynomial-time algorithm approximates the ∞, p mixed norm to some fixed relative precision. 1. Introduction. The

研究动机与目标

• 确定有理数 p ∈ [1, ∞) 的矩阵 p-范数近似的计算复杂度。
• 研究是否存在多项式时间算法，能够在任意相对误差范围内近似矩阵 p-范数。
• 将困难性结果扩展至所有有理数 p ∈ [1, ∞) 的 ∞,p 混合范数。
• 确立此类近似在 P ≠ NP 的前提下为 NP-难。

提出的方法

• 从已知的 NP-难问题归约至矩阵 p-范数近似问题。
• 使用组合与谱技术，将矩阵范数与 NP-完全决策问题关联。
• 构造出若能近似 p-范数即可解决底层 NP-难问题的矩阵实例。
• 通过反证法假设存在多项式时间近似算法，从而推出 P = NP。
• 应用对偶性与范数等价性论证，将结果扩展至 ∞,p 混合范数。
• 聚焦于有理数 p 的取值，以确保归约过程的计算可行性与精度。

实验结果

研究问题

• RQ1 对于 p ≠ 1, 2, ∞ 的情况，是否能在多项式时间内以任意相对精度近似矩阵 p-范数？
• RQ2 是否存在多项式时间算法，能对任意有理数 p ∈ [1, ∞) 在固定相对精度内近似 ∞,p 混合范数？
• RQ3 当 p 为有理数且不属于 {1, 2, ∞} 时，近似矩阵 p-范数的计算复杂度为何？
• RQ4 能否将范数近似困难性的结果推广至涉及 ∞-范数与 p-范数的混合范数？
• RQ5 若存在矩阵 p-范数的多项式时间近似方案，是否意味着 P = NP？

主要发现

• 对于任意有理数 p ∈ [1, ∞) 且 p ≠ 1, 2 的情况，以任意相对精度近似矩阵 p-范数是 NP-难的。
• p-范数的 NP-难性结果基于 P ≠ NP 的假设。
• 对于任意有理数 p ∈ [1, ∞)，∞,p 混合范数在固定相对精度内的近似也是 NP-难的。
• 该困难性适用于区间 [1, ∞) 内的所有有理数 p，包括 p = 1 和 p = 2。
• 这些结果确立了计算线性代数中矩阵范数近似可计算性的基本限制。
• 除非 P = NP，否则不存在多项式时间算法能以任意精度近似这些范数。