[论文解读] Multi-Scale Merge-Split Markov Chain Monte Carlo for Redistricting

Eric A. Autry, Daniel Carter+3 more|arXiv (Cornell University)|Aug 18, 2020

Markov Chains and Monte Carlo Methods参考文献 11被引用 8

一句话总结

本文提出了一种用于选区划分的多尺度合并-分裂马尔可夫链蒙特卡洛（MCMC）算法，该算法提升了计算效率，并保留了县和选区等利益群体社区。通过使用分层树而非生成树，该方法将计算复杂度从 O(N^2.373) 降低至 O(log N)，从而实现了在精细分辨率下对选区划分方案的可扩展采样，同时保持细致平衡并收敛至已知的不变测度。

ABSTRACT

We develop a Multi-Scale Merge-Split Markov chain on redistricting plans. The chain is designed to be usable as the proposal in a Markov Chain Monte Carlo (MCMC) algorithm. Sampling the space of plans amounts to dividing a graph into a partition with a specified number of elements which each correspond to a different district. The districts satisfy a collection of hard constraints and the measure may be weighted with regard to a number of other criteria. The multi-scale algorithm is similar to our previously developed Merge-Split proposal, however, this algorithm provides improved scaling properties and may also be used to preserve nested communities of interest such as counties and precincts. Both works use a proposal which extends the ReCom algorithm which leveraged spanning trees merge and split districts. In this work we extend the state space so that each district is defined by a hierarchy of trees. In this sense, the proposal step in both algorithms can be seen as a "Forest ReCom." We also expand the state space to include edges that link specified districts, which further improves the computational efficiency of our algorithm. The collection of plans sampled by the MCMC algorithm can serve as a baseline against which a particular plan of interest is compared. If a given plan has different racial or partisan qualities than what is typical of the collection of plans, the given plan may have been gerrymandered and is labeled as an outlier.

研究动机与目标

• 开发一种可扩展的MCMC方法，用于采样保留地理利益群体社区（如县和选区）的选区划分方案。
• 通过使用商图的分层结构，将基于树的选区划分MCMC提议的计算复杂度从多项式降低至对数时间。
• 在保持细致平衡和遍历性的同时，实现对高分辨率选区划分方案（包括至人口普查区块级别）的高效采样。
• 为检测选区划分中的党派偏移提供一个稳健的基准集合，通过将感兴趣的方案与集合中典型方案进行比较。

提出的方法

• 该算法采用多尺度框架，其中每个选区由一组嵌套的树构成，形成图上的生成森林。
• 通过使用‘森林ReCom’提议，将ReCom算法扩展为通过分层树结构而非单个生成树来实现选区的合并与分裂。
• 在层次结构的每一级上，对固定大小的分区应用基尔霍夫定理，将有效树配置计数的计算成本降低至 O(log N)。
• 通过将状态空间扩展至包含选区间边，提升了提议步骤中的混合性和计算效率。
• 该方法支持静态层次结构（例如基于现有县和选区）和动态层次结构，后者在采样过程中可动态演化。
• 通过构建与有效选区划分方案空间上不变测度一致的提议，确保了可逆性和细致平衡。

实验结果

研究问题

• RQ1 多尺度MCMC算法是否能将基于树的选区划分提议的计算复杂度从多项式时间降低至对数时间，同时保留地理利益群体社区？
• RQ2 与使用生成树相比，使用分层树如何影响MCMC链在选区划分采样中的混合特性和收敛性？
• RQ3 该算法在实现对县和选区严格分割控制的同时，能在多大程度上支持大规模边界变动？
• RQ4 该方法是否能有效扩展至以人口普查区块为分辨率的选区划分方案，而不会牺牲计算可行性？
• RQ5 图结构或社区保留方面的哪些约束可能阻碍算法的遍历性？

主要发现

• 多尺度合并-分裂MCMC算法将树计数的计算复杂度从 O(N^2.373) 降低至 O(log N)，从而实现了在精细分辨率下的高效采样。
• 该算法通过使用保持节点在各层级完整性的分层结构，成功保留了县和选区等利益群体社区。
• 收敛性分析显示收敛速率估计约为 0.42，表明尽管边际直方图存在结构差异，链仍收敛至相似分布。
• 该方法生成的选区划分方案集合可作为检测党派偏移的基准，通过将感兴趣的方案与集合中典型方案进行比较。
• 在可扩展性和计算效率方面，该算法优于以往方法，尤其适用于涉及人口普查区块的大规模问题。
• 该方法能够生成高分辨率的选区划分方案集合，这些集合在计算上可行且在统计上可靠，适用于法律和政策应用。