Hartmut Klauck Universität Frankfurt WS 06/

Präsentation zum Thema: "Hartmut Klauck Universität Frankfurt WS 06/"—  Präsentation transkript:

1 Hartmut Klauck Universität Frankfurt WS 06/07 24.1.
Beweissysteme Hartmut Klauck Universität Frankfurt WS 06/07 24.1.

2 NP vs. PCP Wir wollen NPµ PCP(poly,O(1)) zeigen
Wir müssen ein Beweissystem für SAT konstruieren Wir verwenden ein anderes vollständiges Problem stattdessen: Quadratische Gleichungen über Z2

3 Hadamard Codes Seien x,y aus Z2n x±y := i xiyi mod 2 = ©i xiyi
Definition Für ein u2 {0,1}n=Z2n sei die Hadamard Kodierung C(u) die Tabelle der Funktion f(x)=u±x mit x2 Z2n Hadamard Codeworte sind damit genau die linearen Funktionen über Lemma [lokale Dekodierbarkeit] Angenommen g sei -approximativ zu f=C(u). Es gibt einen Algorithmus, der mit 2 Fragen an g zu jedem x den Wert f(x) mit Ws. 1-2 bestimmt.

4 Hadamard Codes Hadamard Codes haben Distanz 2n/2, bei Codelänge 2n.
Das bedeutet, dass für uv gilt: f=C(u) unterscheidet sich von g=C(v) an 50% der Eingaben, [d.h. f(x)g(x) für 50% aller x] f(x)=u±x=i ui^xi Anders formuliert: Sei uv Wenn für eine zufällige Teilmenge Iµ{1,…,n} alle ui bzw. alle vi mit i2 I addiert werden, unterscheidet sich das Ergebnis mit Ws. 1/2

5 Quadratische Gleichungen
Eine quadratische Gleichung über Z2 ist von der Form i,jaijuiuj=b für Variablen u1...un mit Koeffizienten ai,j und b aus Z2 Eine Instanz von QUADEQ ist eine Menge von Gleichungen über Variablen u1,…,un Eine Instanz ist erfüllbar, wenn alle Gleichungen simultan erfüllbar sind [durch eine Belegung von (u1,…,un) aus Z2n] Lemma QUADEQ ist NP-vollständig

6 Tensorprodukt Das Tensorprodukt u­v zweier Vektoren u,v2 Z2n ist ein n2 langer Vektor w mit w(i,j)=uivj

7 Das Beweissystem Wir wollen ein Beweissystem für QUADEQ angeben
Eingabe ist eine QUADEQ Instanz Wir betrachten die Eingabeinstanz wie folgt u1,…, un seien die Variablen (ein Spaltenvektor) U sei ein n2-dim. Spaltenvektor mit U[i,j]=uiuj Wir schreiben dann auch U=u­u [Tensorprodukt] b sei ein Vektor der rechten Seiten der k Gleichungen A sei eine k£n2 Matrix, so dass AU=b das Gleichungssystem darstellt Eine Instanz von QUADEQ ist somit durch A,b gegeben

8 QUADEQ Wir wollen ein Beweissystem für die Erfüllbarkeit quadratischer Gleichungssysteme über Z2n angeben Wir erwarten als „korrekten“ Beweis die Hadamard Codes von u und von U=u­u zu einer erfüllenden Belegung u g,G seien durch den PCP-Beweis gegeben Unser Verifizierer (grob): Teste, ob g und G approximativ linear sind Teste ob U=u­u ist Teste, ob u erfüllend ist ( 2.,3. mit Hilfe von g,G)

9 Schritt 1 Wir haben den Linearitätstest schon angegeben.
Mit Ws werden alle g,G verworfen, die nicht approximativ linear sind Wir gehen daher davon aus, das es f,F gibt, die linear sind, und auf einem Anteil ihrer Einträge mit g,G übereinstimmen Weiterhin können wir f(x) und F(x) für jedes x mit Ws bestimmen (durch je 2 Fragen an g bzw. G), wegen lokaler Dekodierbarkeit

10 Bemerkung Der restliche Test stellt nur 17 Fragen an f oder F, wir gehen daher davon aus, dass der Beweis tatsächlich f,F enthält, also Hadamard Codes von strings u,W Denn: mit guter Ws. ist die Dekodierung von f(x),F(x) für alle 17 Fragen erfolgreich: Prob(es gibt einen Fehler)· 17¢0.002<1/20

11 Schritt 2 Wir wollen testen, ob W=u­u Wiederhole 5 mal:
Ziehe r,r’ uniform aus Z2n Teste ob f(r)f(r’)=F(r­r’) Akzeptiere, wenn alle Tests bestanden Korrekte Beweise (W=u­u) werden immer akzeptiert, denn

12 Schritt 2 Angenommen, WU=u­u
Behauptung 13.1: Jeder der 5 Tests in Schritt 2 verwirft mit Ws. mindestens 1/4 Dann ist die Gesamtwahrscheinlichkeit, zu verwerfen mindestens 1-(3/4)5>3/4

13 Beweis der Behauptung Wir betrachten jetzt W als eine n£n Matrix, ebenso U U=u¢uT; U[i,j]=uiuj r sei ein Zeilenvektor, r’ ein Spaltenvektor

14 Beweis der Behauptung Dann gilt

15 Beweis der Behauptung Der Verifizierer verwirft also, wenn (für mind. ein gewähltes r,r’) gilt: rWr’rUr’ Mindestens 1/2 aller r erfüllen rWrU wegen der Distanzeigenschaft von Hadamard Codes: UW) es gibt i,j mit U[i,j]W[i,j] ) rW[j] = t=1...n rtW[t,j]  t rtU[t,j] =rU[j] mit Wahrscheinlichkeit 1/2 Für jedes r mit rWrU gilt ebenso: Mindestens 1/2 aller r’ erfüllen rWr’  rUr’ Damit folgt die Behauptung, dass rWr’ rUr’ mit Ws ¸ 1/4.

16 Zusammenfassung 1 und 2 Wir erhalten somit, dass der PCP-Beweis aus Hadamard Codes für u und für u­u besteht, wenn Schritte 1 und 2 mit hoher Wahrscheinlichkeit bestanden wurden.

17 Schritt 3 Wir müssen nun noch testen, ob u eine erfüllende Belegung ist Zuerst betrachten wir den Fall, dass es nur eine Gleichung gibt (die t-te Gleichung). Setze zt=At,( ¢, ¢) mit 1·i,j·n Die linke Seite der Gleichung ist einfach F(zt)=U±zt, wir wollen testen,ob F(zt)=bt Da der Verifizierer sowohl zt als auch bt kennt, kann er die Gleichung durch 1 Frage nach F(zt) testen Tatsächlich enthält der Beweis in F=C(u­u) den Wert aller möglichen linken Seiten von Gleichungen

18 Schritt 3 Testen aller Gleichungen:
Wir können natürlich nicht einfach alle i von 1 … k durchlaufen Idee: der Verifizierer wählt eine zufällige Teilmenge der Gleichungen, summiert diese modulo 2 und testet die erhaltene Gleichung Formal: wähle d1,..,dk zufällig Neue Gleichung: Diese Gleichung kann durch 1 Frage an F getestet werden

19 Schritt 3 Wenn es ein t gibt, so dass u die Gleichung t nicht erfüllt, so ist der Vektor ungleich dem Vektor Damit gilt mit Ws. 1/2 über die Wahl der d, dass Der Test wird zwei mal wiederholt, um Fehlerwahrscheinlichkeit 1/4 zu erzielen

20 Analyse Vollständigkeit ist 1, da ein ehrlicher Beweis alle Tests besteht Korrektheit: Falls g,G nicht approximativ linear, wird mit Ws verworfen Wenn g,G approximativ linear sind, ist die Wahrscheinlichkeit eines Fehlers bei der lokalen Dekodierung höchstens 1/20 Falls g,G 0.01-approximativ linear, aber zugehörige f,F,u,W nicht W=u­u erfüllen, wird mit Ws. 2/3 verworfen Falls g,G 0.01-approximativ, zugehörige f,G erfüllen f=C(u),F=C(u­u), aber u ist nicht erfüllend, dann wird mit Ws. 3/4 verworfen. Insgesamt ist die Korrektheit damit mindestens 1-1/4-1/20>2/3

21 Zusammenfassung Insgesamt ist die Vollständigkeit 1, die Korrektheit 2/3 Zahl der Fragen: Schritt 1: O(1) Schritt 2: 15 Schritt 3: 2 Zufall: In Schritten 2 und 3 ziehen wir insgesamt O(1) Zufallstrings der Länge n, d.h. wir verwenden O(n) Zufallsbits; Der Test in Schritt 1 für U benötigt allerdings O(n2) Zufallsbits Damit ist NPµ PCP(O(n2), O(1))

22 PCP‘s und Approximation
Wir wollen die wichtigste Anwendung des PCP Theorems betrachten Theorem: NP=PCP(O(log n),O(1)) Diese besteht darin, zu zeigen, dass es für bestimmte Optimierungsprobleme schwierig ist, diese gut zu approximieren

23 NP-Optimierungsprobleme
Definition 13.2 [NPO-Probleme] Ein NP-Optimierungsproblem P ist gegeben durch eine Menge I von Instanzen (Eingaben), eine Menge L von Lösungen, und zwei Funktionen, die in polynomieller Zeit berechenbar sind: feasP: I£ L! {0,1} entscheidet auf x,y, ob y eine zulässige Lösung zu x ist costP: I£ L! R gibt die Kosten von y als Lösung zu x an Es gibt Maximierungs- und Minimierungsprobleme Beispiel: Clique Instanzen sind alle ungerichteten Graphen Lösungen sind Mengen von Knoten feasP ist wahr, wenn Knotenmenge y eine Clique in Graph x ist costP gibt die Größe von y an Ein Algorithmus löst ein NP-Optimierungsproblem exakt, wenn er eine optimale Lösung zu jeder Eingabe bestimmt

24 Approximationsalgorithmen
Die Entscheidungsversionen vieler NP-Optimierungsprobleme sind NP-vollständig Clique, MaxCut, VertexCover, SetCover Was, wenn wir nicht die beste, sondern nur eine gute Lösung suchen? Definition 13.3 Sei P ein NP-Optimierungsproblem optP(x) sei eine optimale Lösung von P auf x Eine Lösung y habe Verlustfaktor , wenn costP(x,y)·  costP(x,optp(x)) für Minimierungsprobleme Eine Lösung y habe Verlustfaktor , wenn costP(x,y)¸ costP(x,optp(x))/ für Maximierungsprobleme

25 Approximation Definition 13.4
Ein Algorithmus, der in polynomieller Zeit zu einem NP-Optimierungsproblem für beliebige Eingaben x Lösungen mit Verlustfaktor  berechnet, heißt -Approximationsalgorithmus für P

26 Ein Beispiel Das Problem Max-3-SAT ist wie folgt gegeben:
Instanzen sind Boolesche Formeln in 3-KNF Form Alle Klauseln haben genau 3 Literale Zulässige Lösungen sind alle Belegungen der n Variablen Die Kosten einer Lösung sind die Anzahl erfüllter Klauseln Wir suchen Lösungen, die eine maximale Anzahl von Klauseln erfüllen Das Problem ist also ein NPO-Problem und NP-schwierig

27 Approximation durch Zufall
Approximative Lösung für Max 3-SAT: Ziehe alle n Variablen zufällig Es gebe m Klauseln Jede Klausel wird mit Wahrscheinlichkeit 1-1/8=7/8 erfüllt Die erwartete Anzahl erfüllter Klauseln ist somit: Sei zi eine Indikatorzufallsvariable, die 1 ist wenn Klausel i erfüllt ist Erwartete Anzahl erfüllter Klauseln ist E[ zi]= E[zi]=m¢ 7/8 Wir erhalten somit erwartet eine 8/7 Approximation, denn das Optimum ist höchstens m

28 Bemerkung Dies zeigt, dass in jeder 3-KNF Formel mit m Klauseln (und genau 3 Literalen per Klausel) mindestens 7/8 m Klauseln simultan erfüllbar sind.

29 Methode des bedingten Erwartungswerts
Wir wollen den obigen Algorithmus derandomisieren, d.h. einen deterministischen Algorithmus erhalten Betrachte die n Zufallswahlen als einen Baum, dessen Blätter mit den strings der Länge n markiert sind Der Erwartungswert Ex[i zi(x)] geht über alle Blätter x1,…,xn Wir fixieren x1 usw. nacheinander greedy. Dazu betrachten wir die bedingten Erwartungswerte Ex [ zi(x)|x1=1] und Ex [ zi(x)|x1=0] Da 7/8¢ m · Ex[i zi(x)]= 1/2( Ex [ zi(x)|x1=1] + Ex [ zi(x)|x1=0]) muss einer von beiden Termen größer als 7/8 m sein

30 Methode des bedingten Erwartungswerts
Fixiere x1 so, dass der Erwartungswert über die restlichen Variablen maximal ist und iteriere Am Ende erhalten wir eine Lösung mit Kosten mind. 7/8 m Allerdings: wie können wir die bedingten Erwartungswerte bestimmen? Die bedingten Erwartungswerte sind leicht zu berechnen aufgrund der Linearität des Erwartungswertes: Nach Substitution der Variablen x1,…,xi bleibt eine 3-KNF. 1-Klauseln haben eine Ws. von 1/2, erfüllt zu werden, 2-Klauseln 3/4, 3-Klauseln 7/8.