[论文解读] Rigorous Implications of the Low-Degree Heuristic

Jun-Ting Hsieh, Daniel M. Kane+4 more|arXiv (Cornell University)|Jan 9, 2026

Complexity and Algorithms in Graphs被引用 0

一句话总结

论文开发工具将低阶似然比（LDLR）上界转化为对具体算法的严格下界，在布尔、高斯向量和高斯矩阵设置下，在对称性约束下证明 TV 不可区分性结果。

ABSTRACT

Over the past decade, the low-degree heuristic has been used to estimate the algorithmic thresholds for a wide range of average-case planted vs null distinguishing problems. Such results rely on the hypothesis that if the low-degree moments of the planted and null distributions are sufficiently close, then no efficient (noise-tolerant) algorithm can distinguish between them. This hypothesis is appealing due to the simplicity of calculating the low-degree likelihood ratio (LDLR) -- a quantity that measures the similarity between low-degree moments. However, despite sustained interest in the area, it remains unclear whether low-degree indistinguishability actually rules out any interesting class of algorithms. In this work, we initiate the study and develop technical tools for translating LDLR upper bounds to rigorous lower bounds against concrete algorithms. As a consequence, we prove: for any permutation-invariant distribution $\mathsf{P}$, 1. If $\mathsf{P}$ is over $\{0,1\}^n$ and is low-degree indistinguishable from $U = \mathrm{Unif}(\{0,1\}^n)$, then a noisy version of $\mathsf{P}$ is statistically indistinguishable from $U$. 2. If $\mathsf{P}$ is over $\mathbb{R}^n$ and is low-degree indistinguishable from the standard Gaussian ${N}(0, 1)^n$, then no statistic based on symmetric polynomials of degree at most $O(\log n/\log \log n)$ can distinguish between a noisy version of $\mathsf{P}$ from ${N}(0, 1)^n$. 3. If $\mathsf{P}$ is over $\mathbb{R}^{n imes n}$ and is low-degree indistinguishable from ${N}(0,1)^{n imes n}$, then no constant-sized subgraph statistic can distinguish between a noisy version of $\mathsf{P}$ and ${N}(0, 1)^{n imes n}$.

研究动机与目标

• 将低阶启发式正式化为对平均情形问题中算法难度的预测工具。
• 开发工具将 LDLR 上界转化为对具体算法的严格检测下界。
• 在各种数据情形下（布尔向量、高斯向量、和高斯矩阵）建立在对称性与噪声下的 TV 不可区分性结果。
• 阐明局限性并扩展对何时 vanishing LDLR 会对简单区分器带来计算困难的理解。

提出的方法

• 定义低阶似然比（LDLR）与度数-D 的优势度量。
• 在布尔 setting 下，给出在对称性 S_n 下的 null 与有噪声 planted 分布之间的 TV 接近性证明（定理1.1）。
• 分析对称性较弱的高斯空间并推导低阶多项式统计量的下界（定理1.2）。
• 研究矩阵值高斯模型，证明在 LDLR 小时没有常量大小的子图统计量能区分噪声化的 planted 与高斯空分布（定理1.3）。
• 使用截断、矩 moment 匹配和傅里叶分析技巧来界定分布之间的差异。
• 通过反傅里叶变换与特征函数控制将 LDLR 上界与 TV 距离联系起来。

实验结果

研究问题

• RQ1 在对称性下，vanishing LDLR 是否意味着所有基于低阶多项式的测试都无法区分 planted 与 null 分布？
• RQ2 给定 LDLR 上界，是否可以对具体测试（不仅仅是抽象类别）得到严格的 TV 下界？
• RQ3 结果是否能从布尔空间扩展到高斯空间，从向量值统计扩展到带噪声的矩阵值（子图）统计？
• RQ4 在高斯矩阵设置下，区分带噪声的 planted 模型的低阶多项式统计量的精确极限是什么？

主要发现

• 对于布尔、在度数 D 具有小 chi-squared 距离的 S_n 对称 P，带噪声版本 T_epsilon P 在统计上与布尔原假设 U_gamma 几乎不可区分，TV 距离由依赖于 delta 与 epsilon 的项界定（定理1.1）。
• 在高斯向量空间中，当 D 与 k 满足某些界限时，基于对称多项式且次数不超过 k 的统计量无法将 N 与 U_epsilon P 区分（定理1.2）。
• 在高斯矩阵空间中，当 LDLR 较小时，任何恒定大小的子图统计量均无法将 N 与带噪声的 P 区分（定理1.3）。
• 结果需要噪声（epsilon）来实现 TV 的接近性，且对称性在降低复杂度方面起关键作用，尤其是在布尔情形。
• 该工作通过傅里叶分析与矩匹配方法将 LDLR 消失与分布不可区分性联系起来，扩展了对低阶启发式的理解。