본 논문은 무작위 희소 그래프 및 하이퍼그래프 상의 대칭 Gibbs 분포에서 효율적으로 샘플링하는 알고리즘을 제시한다.
서론에서는 무작위 제약 만족 문제(r-CSP)와 Gibbs 분포의 중요성, 그리고 기존 연구의 한계를 설명한다.
응용 부분에서는 제안된 알고리즘을 반강자성 Ising 모델, 반강자성 Potts 모델, NAE-k-SAT, k-spin 모델 등에 적용한 결과를 제시한다.
알고리즘의 핵심 아이디어는 그래프의 모든 간선을 제거하고 빈 그래프에서 구성을 생성한 뒤, 간선을 하나씩 추가하면서 Gibbs 분포에 가까운 구성을 효율적으로 업데이트하는 것이다. 이 과정에서 공동 방법의 개념을 활용한다.
제안된 알고리즘은 기존 방법보다 허용되는 Gibbs 분포 매개변수의 범위가 더 넓으며, 다항식 시간 내에 n^(-Ω(1)) 총변동거리 내의 근사 샘플을 생성할 수 있다.
분석을 위해 SET 조건을 정의하고, 이를 만족하는 Gibbs 분포에 대해 알고리즘의 성능을 분석한다.
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Charilaos Ef... lúc arxiv.org 03-20-2024
https://arxiv.org/pdf/2007.07145.pdfYêu cầu sâu hơn