[论文解读] On Quadratization of Pseudo-Boolean Functions

Endre Boros, Aritanan Gruber|arXiv (Cornell University)|Apr 25, 2014

Machine Learning and Algorithms参考文献 23被引用 31

一句话总结

本文提出了針對高次 pseudo-Boolean 函數的新型多項式化技術，提出一種新的逐項方法，允許單一高次項進行多重分割，並提出首個基於共用變數部分的整合式方法。主要貢獻在於減少輔助變數與非次模項的數量，使現有二次求解器（如 QPBO）能更有效率地進行最小化，並在電腦視覺應用中展現出優於先前方法的改進效果。

ABSTRACT

We survey current term-wise techniques for quadratizing high-degree pseudo-Boolean functions and introduce a new one, which allows multiple splits of terms. We also introduce the first aggregative approach, which splits a collection of terms based on their common parts.

研究动机与目标

• 為解決高次 pseudo-Boolean 函數最小化缺乏有效方法的問題，此類問題常見於電腦視覺與晶片設計等應用。
• 發展多項式化技術，以減少輔助變數數量並最小化非次模項，提升與多項式時間求解器的相容性。
• 提出一種新的整合式方法，根據共用變數部分分割項，相較於逐項方法更具效率。
• 提供理論保證與實務上的多項式化品質改進，特別是在次模與非次模情況下。
• 在實際電腦視覺問題上展示所提方法的有效性，顯示更快的收斂速度與更高的變數固定率。

提出的方法

• 提出一種新的逐項多項式化技術，允許單一高次項透過輔助變數分割為多個二次項。
• 引入一種整合式方法，將共享相同變數子集（C）的項分組，並使用單一輔助變數表示 C 中變數的合取。
• 對形式為 ∑αH∏(H∪C)xj 且 αH ≥ 0 的片段應用定理 2，以 w 表示 ∏j∈Cxj，從而產生最小化至原函數的二次表達式。
• 透過 w(1 - ∏Cxj - ∏Hxj) 的方式將方法延伸至負項，確保最小值與原函數一致。
• 遞迴應用定理 2，實現 n 個變數函數的多項式化，最多僅需 n−1 個正二次項。
• 使用 QPBO 算法進行後處理，利用持久性與次模性，將變數固定於其最佳值。

实验结果

研究问题

• RQ1 是否能透過將具有共用變數部分的項分組，而非個別處理每一項，來改善多項式化效果？
• RQ2 是否能在不引入大係數的情況下，減少多項式化中的輔助變數與非次模項數量？
• RQ3 所提出的整合式方法是否能產生次模或多項式化後更易最小化的結果，優於現有方法？
• RQ4 任何 pseudo-Boolean 函數進行多項式化所需的輔助變數數量是否存在理論界？
• RQ5 在實際的優化問題中，新多項式化技術與現有方法相比，在變數固定率與執行時間方面表現如何？

主要发现

• 所提出的整合式多項式化方法相較於先前的逐項技術，能減少輔助變數與正二次項的數量。
• 透過遞迴應用定理 2，任何 n 個變數的 pseudo-Boolean 函數皆可多項式化為最多 n−1 個正二次項，顯示複雜度並非源自於此類項的數量。
• 該方法能透過 QPBO 算法實現更快且更有效的變數固定，於電腦視覺應用中可達 80–90% 的變數被固定於其最佳值。
• 使用 w(1 - ∏Cxj - ∏Hxj) 對負項片段進行多項式化，確保正確性並維持低係數增長。
• 實驗結果顯示，新多項式化方法在 [16] 的近期方法上表現更優，特別是在減少新變數與正項數量方面。
• 本文證明了在大量電腦視覺問題中存在次模多項式化，使其能透過網路流演算法實現高效最小化。