SlideShare ist ein Scribd-Unternehmen logo
1 von 38
楠本
自己紹介
 名前:楠本 (@ir5)
 新入社員
 京大岩間研卒
アルゴリズム系(理論&応用)の出身
 今は映像解析や機械学習に着手
個人的に Learning Theory が面白い
発表内容
先月参加した ICALP 2014 という学会の報告
ICALP 2014 (41st International Colloquium on Automata, Languages and Programming)
 アルゴリズム理論とか計算量とかプログラミング言語とか
オートマトンの学会
アルゴリズム理論の会議ではヨーロッパでトップ
 デンマーク,コペンハーゲン
 修論が Accept されたので行った
↓コペンハーゲンの町並み
コペンハーゲンの様子
コペンハーゲンの様子
アルゴリズム理論
 組合せ問題,最適化問題などに対し,
性能の良いアルゴリズム (計算時間 / メモリ消費 /
近似度 等) を与える
困難性の証明をする
性質の定式化を与える
 漸近的な解析を与えることがメイン
(つまり入力が十分大きいときの性能を考える)
(c.f., 実データに対するアルゴリズム
例: shortest path problem
会議の雰囲気
(ビジネスミーティングは出席しそびれたため雰囲気だけ)
学会
 Track A (アルゴリズム・計算量),Track B (プログラミング言語),
Track C (ネットワーク?) から成る
 Track A には 87 の発表論文
 採択率は例年は 25%~30% くらいらしい
雰囲気
 アカデミックの人が大半
たまに MSR, IBM などの人も
 ヨーロッパ人多い(8割くらい?)
 目視で90~120人くらい居た
 日本人は2人
↑会場のITコペンハーゲン大学
スケジュール
 1日目:ワークショップ Day
 オンラインアルゴリズム
PhD 学生のポスター発表
 2日目~5日目:発表
朝最初に招待講演
朝~昼に口頭発表
3セッション並列
1日目 : ワークショップ
1日目 : オンラインアルゴリズム
オンラインアルゴリズムとは
 将来何が起こるか分からない状況下でできるだけ良い判断
(コストが小さくなる,利益を大きく出来る等)をする
アルゴリズムのこと
例:株価の予測とか
 アルゴリズムの性能は競合比での解析が主流
 コストを小さくしたい場合:
 競合比が最悪でいくらになりうるかを解析するのが主な目的
(競合比が大きければ大きいほど性能が悪い)
アルゴリズムの出した解のコスト
競合比 = ------------------------------------------------------------
入力を全部知っていた場合の最適コスト
1日目 : オンラインアルゴリズム
例:ビンパッキング問題
色んな大きさのアイテムがある.容量 1 のビンをいくつか用意
してすべてのアイテムを詰めるにはビンがいくつ必要か?
例:オンラインビンパッキング問題
アイテムがオンラインで来る.その都度,アイテムをすでにある
ビンに詰めるか新たにビンを開封するかの判断をする.
ビ
ン
ア
イ
テ
ム
1日目 : オンラインアルゴリズム
印象に残ったもの
 オンラインビンパッキング問題
 Advice 付きオンラインアルゴリズム
 オンラインシュタイナー木問題
 オンライン線形計画問題
 オンライングラフ彩色問題
1日目 : オンラインアルゴリズム
 オンラインで解くことが難しい問題は多い
 例えばオンラインビンパッキング問題の場合,競合比 ≥ 1.54
Advice 付きオンラインアルゴリズム
 入力を全部知っている人(神)がいて,入力に関する情報を
事前に教えてもらえる (入力は小さいデータしかないとか)
 ただし神はアルゴリズムにちょっとしか情報を送れない
 オンラインビンパッキングの場合,log n ビットの情報を教え
てもらえると競合比を 1.5 にできる
1日目 : オンラインアルゴリズム
Advice 付きオンラインアルゴリズム
 オンラインナップサック問題の場合,競合比 = ∞
 しかし 1 ビットの情報を送ってもらえるだけで競合比 = 2 を
達成できる
ナ
ッ
プ
サ
ッ
ク
ア
イ
テ
ム
2~5日目 : 招待講演
Claire Mathieu. Homophily and the Glass Ceiling Effect
in Social Networks
 実社会で起きている現象を数理モデル化して解析する話
 「なぜアカデミア(特に CS コミュニティ)では男女のバランスが
不均一なのか?」
※図は著者の発表
スライドより引用
 同じ性質を持った人同士が結びつきやすい性質(“rich gets
richer”; homophily) を表す(数学的な)条件を 3 つ定義
 次のことを証明した
条件がすべて同時に成り立つとき不均一が起きる
逆に条件が1つでも成り立たないと,不均一は起きない
Claire Mathieu. Homophily and the Glass Ceiling Effect
in Social Networks
※図は著者の発表
スライドより引用
Sanjeev Arora. Overcoming the Intractability Obstacle
for Unsupervised Machine Learning
Sanjeev Arora. Overcoming the Intractability Obstacle
for Unsupervised Machine Learning
 教師なし機械学習の話
データが何かの分布から生成されると仮定して
尤度最大化等をする
多くの場合 NP 完全になる
 しかし,現実のデータは NP 完全になるような意地悪い入力
じゃないかもしれない
分布になんらかの現実的な仮定を置くと適当そうな
ヒューリスティックがまともな計算量になるのでは?
Sanjeev Arora. Overcoming the Intractability Obstacle
for Unsupervised Machine Learning
↓ヒューリスティックと理論屋の図
Sanjeev Arora. Overcoming the Intractability Obstacle
for Unsupervised Machine Learning
 基本的には講演者のグループでやっている機械学習寄りの
研究の話
Topic model の non-negative matrix factorization
Dictionary learning
Deep nets の解析等
2~5日目 : 発表論文
全体の傾向とか
 色々ある
 計算量理論(PとかNPとか)
 オンラインアルゴリズム
 ストリーミングアルゴリズム
 近似アルゴリズム
 乱択アルゴリズム
 難しい問題で入力クラスを制限して解けるようにする系
 オラクルに聞いて何かを決める系
 幾何っぽいの
 etc…
Eric Blais, Johan Håstad, Rocco Servedio and Li-Yang Tan.
On DNF approximators for monotone Boolean functions
 DNF(積和標準形) とは ↓ こういうの
復習: 任意の n ビット論理関数 f : {0,1}n → {0,1} はサイズ(項数)
が高々 2n の DNF で書ける
逆に Ω(2n) サイズ必要な論理関数が有る
 f を近似する DNF を表すことにすると?
ε>0 が与えられた時に,ある g で,Pr[f(x) ≠ g(x)] < ε となる
ようなものをできるだけ小さいサイズの DNF で書きたい
Ω(2(1-4ε)n) は必要らしい
 今回
f を単調関数に制限するとサイズ Θ(2n / √n) でいいらしい
f(x1, x2, x3) = x1x2 + x2x3 + x1
(BEST PAPER) Andreas Björklund and Thore Husfeldt.
Shortest Two Disjoint Paths in Polynomial Time
 グラフがあって頂点 s1,t1,s2,t2 が指定される
 s1→t1,s2→t2 に向かうパス対で
互いに頂点を共有しないもので
パス長の和の最小を求める
 今まで指数時間解法しか知られていなかった.
 彼らは多項式時間アルゴリズムを提案した
ただし O(n11) とかかかる
(BEST PAPER) Andreas Björklund and Thore Husfeldt.
Shortest Two Disjoint Paths in Polynomial Time
ざっくりした概要:
 変数入り隣接行列の Permanent を
考えると,多項式で最初に現れる
非ゼロ項の次数が最小パス長に等しい
元のパスが何なのか分からないが
最小パス長だけは分かる
 Permanent の計算は一般には #P-hard
 しかし今回の目的なら計算したいものが限られているので
うまく計算するアルゴリズムが存在する
(BEST PAPER) Andreas Björklund and Thore Husfeldt.
Shortest Two Disjoint Paths in Polynomial Time
なぜ BEST PAPER?
 シンプルな問題設定
 証明はシンプルでありながら非自明
 指数→多項式 は大きなブレークスルー
 代数的アルゴリズムの利用
とかが効いている?
Mitsuru Kusumoto and Yuichi Yoshida. Testing Forest-
Isomorphism in the Adjacency List Model
 僕です
Mitsuru Kusumoto and Yuichi Yoshida. Testing Forest-
Isomorphism in the Adjacency List Model
http://ir5.hatenablog.com/entries/2014/04/12
Amir Abboud, Virginia Vassilevska Williams and Oren Weimann.
Consequences of Faster Alignment of Sequences
 文字列マッチング系の問題で,Õ(n2) 時間より速い
アルゴリズムが知られていないものは多い
編集距離,最長部分列,…
 今回は配列アラインメントで Õ(n2) より真に速いアルゴリズム
は無さそうなことを証明
 無さそうとは?
配列アラインメントが O(n2) より真に速く解けるとすると,
他の有名問題で「速く解くのは無いだろうと思われてる
問題(3-SUMとか)」がたくさん解けてしまう,と証明
Konstantin Makarychev and Yury Makarychev.
Nonuniform Graph Partitioning with Unrelated Weights
 グラフの最小 k 分割:
グラフの頂点を k 個のクラスタに分けて,異なるクラスタ
にまたがる枝の個数を最小化する
多分NP完全? だが O(√(logn logk)) 近似がある
 Nonuniform グラフ分割
i 番目のクラスタの大きさは ρin 以下でないといけない
O(logn) 近似が知られていた
→ O(√(logn logk)) 近似に改善
 SDPベースのアルゴリズムを使うらしい
Andreas Björklund, Rasmus Pagh, Virginia Vassilevska
Williams and Uri Zwick. Listing Triangles
 Triangle listing : グラフ中の△を全部列挙したい!!
 ’78:O(m√m) 時間アルゴリズム (m は枝数)
△の個数は Θ(m√m) 個ありうるのでタイト
 でも output sensitive (△の個数を t としたとき t に依存する計
算時間) にしたいですよね??
熾烈な計算量の争い
Andreas Björklund, Rasmus Pagh, Virginia Vassilevska
Williams and Uri Zwick. Listing Triangles
 ω は行列積にかかる計算時間の指数部
現在は ω = 2.3728639
 ω = 2 ならこの計算時間はタイト!! という主張
(少しアグレッシブすぎではないか…)
その他
ゲーデル賞
3日目の conference dinner でゲーデル賞の授賞式があった
ゲーデル賞 (Gödel Prize) は、理論計算機科学分野で優れた功績を残した人
に、ACM(アメリカ計算機学会)のアルゴリズムと計算量理論に関する部会と
EATCS(ヨーロッパ理論コンピュータ学会)が贈る賞である。受賞者には賞金
5,000ドルが贈られる。論理学者クルト・ゲーデルに由来する。計算機科学分
野ではチューリング賞と並んで権威を持つ賞である。 (Wikipedia より)
ゲーデル賞
ゲーデル賞
例年に比べると少し応用に寄っている?
まとめ
 ICALP 2014 のレポートでした
 来年は京都で開催されるらしいです
感想
 綺麗だけど複雑な構造を持った問題に対してアプローチ
したい人が多い気がする
 テーマ探しが難しい
基本的な問題は大体既に解かれている or 解くのがすごく
難しい
凝った問題設定に走り過ぎるとモチベーションが何か
わからなくなる
 デンマークは物価が高い
謝辞
今回の ICALP 参加は JST/ERATO 河原林巨大グラフプロジェクト
よりご支援を頂きました.関係者の方々に深く感謝致します.

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (13)

2016word embbed
2016word embbed2016word embbed
2016word embbed
 
STAIR Lab Seminar 202105
STAIR Lab Seminar 202105STAIR Lab Seminar 202105
STAIR Lab Seminar 202105
 
文法圧縮入門:超高速テキスト処理のためのデータ圧縮(NLP2014チュートリアル)
文法圧縮入門:超高速テキスト処理のためのデータ圧縮(NLP2014チュートリアル)文法圧縮入門:超高速テキスト処理のためのデータ圧縮(NLP2014チュートリアル)
文法圧縮入門:超高速テキスト処理のためのデータ圧縮(NLP2014チュートリアル)
 
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
 
水素原子に対するSchrödinger方程式の数値解法
水素原子に対するSchrödinger方程式の数値解法水素原子に対するSchrödinger方程式の数値解法
水素原子に対するSchrödinger方程式の数値解法
 
言語処理系入門3
言語処理系入門3言語処理系入門3
言語処理系入門3
 
Deep Learning を実装する
Deep Learning を実装するDeep Learning を実装する
Deep Learning を実装する
 
NumPy闇入門
NumPy闇入門NumPy闇入門
NumPy闇入門
 
SchracVisualizeによる波動関数の可視化
SchracVisualizeによる波動関数の可視化SchracVisualizeによる波動関数の可視化
SchracVisualizeによる波動関数の可視化
 
yyoshida thesis
yyoshida thesisyyoshida thesis
yyoshida thesis
 
Arに対する古典分子動力学シミュレーション
Arに対する古典分子動力学シミュレーションArに対する古典分子動力学シミュレーション
Arに対する古典分子動力学シミュレーション
 
言語処理系入門€2
言語処理系入門€2言語処理系入門€2
言語処理系入門€2
 
単振り子と二重振り子のコンピュータシミュレーション
単振り子と二重振り子のコンピュータシミュレーション単振り子と二重振り子のコンピュータシミュレーション
単振り子と二重振り子のコンピュータシミュレーション
 

Andere mochten auch

Testing Forest-Isomorphism in the Adjacency List Model
Testing Forest-Isomorphismin the Adjacency List ModelTesting Forest-Isomorphismin the Adjacency List Model
Testing Forest-Isomorphism in the Adjacency List Model
irrrrr
 
機械学習とその理論 (情報オリンピック2015春合宿講義資料)
機械学習とその理論 (情報オリンピック2015春合宿講義資料)機械学習とその理論 (情報オリンピック2015春合宿講義資料)
機械学習とその理論 (情報オリンピック2015春合宿講義資料)
irrrrr
 
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
irrrrr
 
Soul Gem Game
Soul Gem GameSoul Gem Game
Soul Gem Game
irrrrr
 
ICPC Asia::Tokyo 2014 Problem K – L∞ Jumps
ICPC Asia::Tokyo 2014 Problem K – L∞ JumpsICPC Asia::Tokyo 2014 Problem K – L∞ Jumps
ICPC Asia::Tokyo 2014 Problem K – L∞ Jumps
irrrrr
 
論文紹介 Advances in Learning Bayesian Networks of Bounded Treewidth
論文紹介 Advances in Learning Bayesian Networks of Bounded Treewidth論文紹介 Advances in Learning Bayesian Networks of Bounded Treewidth
論文紹介 Advances in Learning Bayesian Networks of Bounded Treewidth
irrrrr
 
条件付き確率場の推論と学習
条件付き確率場の推論と学習条件付き確率場の推論と学習
条件付き確率場の推論と学習
Masaki Saito
 
Particle Filter Tracking in Python
Particle Filter Tracking in PythonParticle Filter Tracking in Python
Particle Filter Tracking in Python
Kohta Ishikawa
 
大規模グラフ解析のための乱択スケッチ技法
大規模グラフ解析のための乱択スケッチ技法大規模グラフ解析のための乱択スケッチ技法
大規模グラフ解析のための乱択スケッチ技法
Takuya Akiba
 

Andere mochten auch (16)

Testing Forest-Isomorphism in the Adjacency List Model
Testing Forest-Isomorphismin the Adjacency List ModelTesting Forest-Isomorphismin the Adjacency List Model
Testing Forest-Isomorphism in the Adjacency List Model
 
機械学習とその理論 (情報オリンピック2015春合宿講義資料)
機械学習とその理論 (情報オリンピック2015春合宿講義資料)機械学習とその理論 (情報オリンピック2015春合宿講義資料)
機械学習とその理論 (情報オリンピック2015春合宿講義資料)
 
ICPC 2015, Tsukuba : Unofficial Commentary
ICPC 2015, Tsukuba: Unofficial CommentaryICPC 2015, Tsukuba: Unofficial Commentary
ICPC 2015, Tsukuba : Unofficial Commentary
 
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
 
Soul Gem Game
Soul Gem GameSoul Gem Game
Soul Gem Game
 
ICPC Asia::Tokyo 2014 Problem K – L∞ Jumps
ICPC Asia::Tokyo 2014 Problem K – L∞ JumpsICPC Asia::Tokyo 2014 Problem K – L∞ Jumps
ICPC Asia::Tokyo 2014 Problem K – L∞ Jumps
 
論文紹介 Advances in Learning Bayesian Networks of Bounded Treewidth
論文紹介 Advances in Learning Bayesian Networks of Bounded Treewidth論文紹介 Advances in Learning Bayesian Networks of Bounded Treewidth
論文紹介 Advances in Learning Bayesian Networks of Bounded Treewidth
 
Treasure Data Summer Internship Final Report
Treasure Data Summer Internship Final ReportTreasure Data Summer Internship Final Report
Treasure Data Summer Internship Final Report
 
Treasure Data Summer Internship Final Report
Treasure Data Summer Internship Final ReportTreasure Data Summer Internship Final Report
Treasure Data Summer Internship Final Report
 
条件付き確率場の推論と学習
条件付き確率場の推論と学習条件付き確率場の推論と学習
条件付き確率場の推論と学習
 
PyData NYC by Akira Shibata
PyData NYC by Akira ShibataPyData NYC by Akira Shibata
PyData NYC by Akira Shibata
 
言語と知識の深層学習@認知科学会サマースクール
言語と知識の深層学習@認知科学会サマースクール言語と知識の深層学習@認知科学会サマースクール
言語と知識の深層学習@認知科学会サマースクール
 
Particle Filter Tracking in Python
Particle Filter Tracking in PythonParticle Filter Tracking in Python
Particle Filter Tracking in Python
 
大規模グラフ解析のための乱択スケッチ技法
大規模グラフ解析のための乱択スケッチ技法大規模グラフ解析のための乱択スケッチ技法
大規模グラフ解析のための乱択スケッチ技法
 
Python入門 : 4日間コース社内トレーニング
Python入門 : 4日間コース社内トレーニングPython入門 : 4日間コース社内トレーニング
Python入門 : 4日間コース社内トレーニング
 
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
 

ICALP 2014 参加記

  • 2. 自己紹介  名前:楠本 (@ir5)  新入社員  京大岩間研卒 アルゴリズム系(理論&応用)の出身  今は映像解析や機械学習に着手 個人的に Learning Theory が面白い
  • 3. 発表内容 先月参加した ICALP 2014 という学会の報告 ICALP 2014 (41st International Colloquium on Automata, Languages and Programming)  アルゴリズム理論とか計算量とかプログラミング言語とか オートマトンの学会 アルゴリズム理論の会議ではヨーロッパでトップ  デンマーク,コペンハーゲン  修論が Accept されたので行った ↓コペンハーゲンの町並み
  • 6. アルゴリズム理論  組合せ問題,最適化問題などに対し, 性能の良いアルゴリズム (計算時間 / メモリ消費 / 近似度 等) を与える 困難性の証明をする 性質の定式化を与える  漸近的な解析を与えることがメイン (つまり入力が十分大きいときの性能を考える) (c.f., 実データに対するアルゴリズム 例: shortest path problem
  • 7. 会議の雰囲気 (ビジネスミーティングは出席しそびれたため雰囲気だけ) 学会  Track A (アルゴリズム・計算量),Track B (プログラミング言語), Track C (ネットワーク?) から成る  Track A には 87 の発表論文  採択率は例年は 25%~30% くらいらしい 雰囲気  アカデミックの人が大半 たまに MSR, IBM などの人も  ヨーロッパ人多い(8割くらい?)  目視で90~120人くらい居た  日本人は2人 ↑会場のITコペンハーゲン大学
  • 8. スケジュール  1日目:ワークショップ Day  オンラインアルゴリズム PhD 学生のポスター発表  2日目~5日目:発表 朝最初に招待講演 朝~昼に口頭発表 3セッション並列
  • 10. 1日目 : オンラインアルゴリズム オンラインアルゴリズムとは  将来何が起こるか分からない状況下でできるだけ良い判断 (コストが小さくなる,利益を大きく出来る等)をする アルゴリズムのこと 例:株価の予測とか  アルゴリズムの性能は競合比での解析が主流  コストを小さくしたい場合:  競合比が最悪でいくらになりうるかを解析するのが主な目的 (競合比が大きければ大きいほど性能が悪い) アルゴリズムの出した解のコスト 競合比 = ------------------------------------------------------------ 入力を全部知っていた場合の最適コスト
  • 11. 1日目 : オンラインアルゴリズム 例:ビンパッキング問題 色んな大きさのアイテムがある.容量 1 のビンをいくつか用意 してすべてのアイテムを詰めるにはビンがいくつ必要か? 例:オンラインビンパッキング問題 アイテムがオンラインで来る.その都度,アイテムをすでにある ビンに詰めるか新たにビンを開封するかの判断をする. ビ ン ア イ テ ム
  • 12. 1日目 : オンラインアルゴリズム 印象に残ったもの  オンラインビンパッキング問題  Advice 付きオンラインアルゴリズム  オンラインシュタイナー木問題  オンライン線形計画問題  オンライングラフ彩色問題
  • 13. 1日目 : オンラインアルゴリズム  オンラインで解くことが難しい問題は多い  例えばオンラインビンパッキング問題の場合,競合比 ≥ 1.54 Advice 付きオンラインアルゴリズム  入力を全部知っている人(神)がいて,入力に関する情報を 事前に教えてもらえる (入力は小さいデータしかないとか)  ただし神はアルゴリズムにちょっとしか情報を送れない  オンラインビンパッキングの場合,log n ビットの情報を教え てもらえると競合比を 1.5 にできる
  • 14. 1日目 : オンラインアルゴリズム Advice 付きオンラインアルゴリズム  オンラインナップサック問題の場合,競合比 = ∞  しかし 1 ビットの情報を送ってもらえるだけで競合比 = 2 を 達成できる ナ ッ プ サ ッ ク ア イ テ ム
  • 16. Claire Mathieu. Homophily and the Glass Ceiling Effect in Social Networks  実社会で起きている現象を数理モデル化して解析する話  「なぜアカデミア(特に CS コミュニティ)では男女のバランスが 不均一なのか?」 ※図は著者の発表 スライドより引用
  • 17.  同じ性質を持った人同士が結びつきやすい性質(“rich gets richer”; homophily) を表す(数学的な)条件を 3 つ定義  次のことを証明した 条件がすべて同時に成り立つとき不均一が起きる 逆に条件が1つでも成り立たないと,不均一は起きない Claire Mathieu. Homophily and the Glass Ceiling Effect in Social Networks ※図は著者の発表 スライドより引用
  • 18. Sanjeev Arora. Overcoming the Intractability Obstacle for Unsupervised Machine Learning
  • 19. Sanjeev Arora. Overcoming the Intractability Obstacle for Unsupervised Machine Learning  教師なし機械学習の話 データが何かの分布から生成されると仮定して 尤度最大化等をする 多くの場合 NP 完全になる  しかし,現実のデータは NP 完全になるような意地悪い入力 じゃないかもしれない 分布になんらかの現実的な仮定を置くと適当そうな ヒューリスティックがまともな計算量になるのでは?
  • 20. Sanjeev Arora. Overcoming the Intractability Obstacle for Unsupervised Machine Learning ↓ヒューリスティックと理論屋の図
  • 21. Sanjeev Arora. Overcoming the Intractability Obstacle for Unsupervised Machine Learning  基本的には講演者のグループでやっている機械学習寄りの 研究の話 Topic model の non-negative matrix factorization Dictionary learning Deep nets の解析等
  • 23. 全体の傾向とか  色々ある  計算量理論(PとかNPとか)  オンラインアルゴリズム  ストリーミングアルゴリズム  近似アルゴリズム  乱択アルゴリズム  難しい問題で入力クラスを制限して解けるようにする系  オラクルに聞いて何かを決める系  幾何っぽいの  etc…
  • 24. Eric Blais, Johan Håstad, Rocco Servedio and Li-Yang Tan. On DNF approximators for monotone Boolean functions  DNF(積和標準形) とは ↓ こういうの 復習: 任意の n ビット論理関数 f : {0,1}n → {0,1} はサイズ(項数) が高々 2n の DNF で書ける 逆に Ω(2n) サイズ必要な論理関数が有る  f を近似する DNF を表すことにすると? ε>0 が与えられた時に,ある g で,Pr[f(x) ≠ g(x)] < ε となる ようなものをできるだけ小さいサイズの DNF で書きたい Ω(2(1-4ε)n) は必要らしい  今回 f を単調関数に制限するとサイズ Θ(2n / √n) でいいらしい f(x1, x2, x3) = x1x2 + x2x3 + x1
  • 25. (BEST PAPER) Andreas Björklund and Thore Husfeldt. Shortest Two Disjoint Paths in Polynomial Time  グラフがあって頂点 s1,t1,s2,t2 が指定される  s1→t1,s2→t2 に向かうパス対で 互いに頂点を共有しないもので パス長の和の最小を求める  今まで指数時間解法しか知られていなかった.  彼らは多項式時間アルゴリズムを提案した ただし O(n11) とかかかる
  • 26. (BEST PAPER) Andreas Björklund and Thore Husfeldt. Shortest Two Disjoint Paths in Polynomial Time ざっくりした概要:  変数入り隣接行列の Permanent を 考えると,多項式で最初に現れる 非ゼロ項の次数が最小パス長に等しい 元のパスが何なのか分からないが 最小パス長だけは分かる  Permanent の計算は一般には #P-hard  しかし今回の目的なら計算したいものが限られているので うまく計算するアルゴリズムが存在する
  • 27. (BEST PAPER) Andreas Björklund and Thore Husfeldt. Shortest Two Disjoint Paths in Polynomial Time なぜ BEST PAPER?  シンプルな問題設定  証明はシンプルでありながら非自明  指数→多項式 は大きなブレークスルー  代数的アルゴリズムの利用 とかが効いている?
  • 28. Mitsuru Kusumoto and Yuichi Yoshida. Testing Forest- Isomorphism in the Adjacency List Model  僕です
  • 29. Mitsuru Kusumoto and Yuichi Yoshida. Testing Forest- Isomorphism in the Adjacency List Model http://ir5.hatenablog.com/entries/2014/04/12
  • 30. Amir Abboud, Virginia Vassilevska Williams and Oren Weimann. Consequences of Faster Alignment of Sequences  文字列マッチング系の問題で,Õ(n2) 時間より速い アルゴリズムが知られていないものは多い 編集距離,最長部分列,…  今回は配列アラインメントで Õ(n2) より真に速いアルゴリズム は無さそうなことを証明  無さそうとは? 配列アラインメントが O(n2) より真に速く解けるとすると, 他の有名問題で「速く解くのは無いだろうと思われてる 問題(3-SUMとか)」がたくさん解けてしまう,と証明
  • 31. Konstantin Makarychev and Yury Makarychev. Nonuniform Graph Partitioning with Unrelated Weights  グラフの最小 k 分割: グラフの頂点を k 個のクラスタに分けて,異なるクラスタ にまたがる枝の個数を最小化する 多分NP完全? だが O(√(logn logk)) 近似がある  Nonuniform グラフ分割 i 番目のクラスタの大きさは ρin 以下でないといけない O(logn) 近似が知られていた → O(√(logn logk)) 近似に改善  SDPベースのアルゴリズムを使うらしい
  • 32. Andreas Björklund, Rasmus Pagh, Virginia Vassilevska Williams and Uri Zwick. Listing Triangles  Triangle listing : グラフ中の△を全部列挙したい!!  ’78:O(m√m) 時間アルゴリズム (m は枝数) △の個数は Θ(m√m) 個ありうるのでタイト  でも output sensitive (△の個数を t としたとき t に依存する計 算時間) にしたいですよね?? 熾烈な計算量の争い
  • 33. Andreas Björklund, Rasmus Pagh, Virginia Vassilevska Williams and Uri Zwick. Listing Triangles  ω は行列積にかかる計算時間の指数部 現在は ω = 2.3728639  ω = 2 ならこの計算時間はタイト!! という主張 (少しアグレッシブすぎではないか…)
  • 35. ゲーデル賞 3日目の conference dinner でゲーデル賞の授賞式があった ゲーデル賞 (Gödel Prize) は、理論計算機科学分野で優れた功績を残した人 に、ACM(アメリカ計算機学会)のアルゴリズムと計算量理論に関する部会と EATCS(ヨーロッパ理論コンピュータ学会)が贈る賞である。受賞者には賞金 5,000ドルが贈られる。論理学者クルト・ゲーデルに由来する。計算機科学分 野ではチューリング賞と並んで権威を持つ賞である。 (Wikipedia より)
  • 38. まとめ  ICALP 2014 のレポートでした  来年は京都で開催されるらしいです 感想  綺麗だけど複雑な構造を持った問題に対してアプローチ したい人が多い気がする  テーマ探しが難しい 基本的な問題は大体既に解かれている or 解くのがすごく 難しい 凝った問題設定に走り過ぎるとモチベーションが何か わからなくなる  デンマークは物価が高い 謝辞 今回の ICALP 参加は JST/ERATO 河原林巨大グラフプロジェクト よりご支援を頂きました.関係者の方々に深く感謝致します.

Hinweis der Redaktion

  1. Memo : 20 minutes Hello, My name Mitsuru Kusumoto. I graduated Kyoto University this year and I’m working for Preferred Infrastructure Inc. I would give a presentation about testing forest-isomorphism in the adjacency list model. This is a joint work with Yuichi Yoshida.