SlideShare a Scribd company logo
1 of 24
1 Sign-Solvability inMathematical Programming数理計画法における符号可解性 垣村 尚徳 数理第2研究室 2011/5/23 数理助教の会
2 研究の興味:  マッチング 正則? 組合せ的行列理論 組合せ的手法を用いた行列解析 ,[object Object]
線形計画問題[Iwata, K. ’08]
線形相補性問題 [K. ’08]
マッチング理論
 Pfaffian 向き付けとマッチングマイナー[K. ’10](最近) 整数性ギャップ IPとLP緩和の“差”の解析 ,[object Object]
サイクルの詰め込み問題,[object Object]
4 目的:数理計画問題の定性的解析 数理計画   =  数値情報 +    符号パターン 測定誤差   推測困難 構造的情報 ,[object Object],符号可解性:                最適解の取りうる符号パターン集合が一意 ,[object Object],符号可解 ⇒ 最適解の情報 組合せ的手法を利用
先行研究 定性的行列理論: 線型方程式や行列の解析 今日の話: 5 [Samuelson ’47] 正則? 可解? 基本的な数理計画: 符号可解性&効率的解法 線型相補性問題[K. ’08 ] 線型計画問題              [Iwata & K. ’08 ]
先行研究 定性的行列理論: 線型方程式や行列の解析 今日の話: 6 [Samuelson ’47] 正則? 可解? 基本的な数理計画: 符号可解性&効率的解法 線型相補性問題[K. ’08 ] 線型計画問題              [Iwata & K. ’08 ]
経済学における定性的解析 [Samuelson ’47] 7 商品の価格は需給により決定 生産量 需要: t:嗜好 供給: 均衡価格: 交点   x0 t微小変化 -> 均衡点の変化? D: 単調減少(-) 値段 D: 単調増加(+) 符号パターンから解ける? S: 単調増加(+)
8 線形方程式の符号可解性 行列A と同じ符号パターンの行列集合      が符号可解(Sign-Solvable): が一意解  を持つ 正数 ,[object Object]
Aが正方: 符号正則性で特徴付け[Klee, Ladner, Manber ’84]
9 符号正則 (Sign-Nonsingular, SNS) 正方 AがSNS : det Aの非零展開項が全て同符号 ,[object Object]
Pólyaのパーマネント問題[Pólya ’13]
有向グラフの偶閉路[Thomassen ’85]
二部グラフのPfaffian orientations [Kasteleyn ’61] etc.
    で判定可能[Robertson, Seymour, Thomas ’99][McCuaig ’04]
10 定性的行列理論の歩み ’47 Samuelson の符号安定性 経済学 の符号可解性 Quirk, Ruppert ’65 Lancaster ’62 ’64 Gorman ’64 線形時間判定     Klee, van den Driessche ’77 ’70s 生態学への応用Logofet’92 Aが長方: NP完全性     Klee, Ladner, Manber ’84 計算量 統計物理 Kasteleyn ’61 グラフ理論    Thomassen ’85,Seymour ’74 Aが正方 ⇔ 符号正則性 応用 等価 ’90s Brualdi, Shader ’95 Pfaffian orientationの多項式性  Robertson, Seymour, Thomas ’99 線形代数の拡がり 符号正則性の多項式判定 符号付解集合Kim, Shader ’00 固有値の符号Hall, Li, Wang ’01 利用 数理計画の符号可解性 拡張 発展 対称行列の符号数 (線形計画とLCP)
先行研究 定性的行列理論: 線型方程式や行列の解析 今日の話: 11 [Samuelson ’47] 正則? 可解? 基本的な数理計画: 符号可解性&効率的解法 線型相補性問題[K. ’08 ] 線型計画問題              [Iwata & K. ’08 ]
12 線型計画問題 (LP) 単体法[Dantzig ’47] 楕円体法 [Khachiyan ’79] 内点法 [Karmarkar ’84] 有限回の反復,実用的に高速 (弱) 多項式 入力数値が不確かな場合 ? 確率計画,ロバスト最適化 符号パターンを使った解法? 符号可解性
Ex.: 5変数2制約のLP 13 単体法 など 最適な基底解: 最適解の取りうる符号パターンの集合:
Ex.: 非零要素の値を変えてみる 14 最適な基底解: 最適解の取りうる符号パターンの集合: 前の例と同じパターン
Ex.: 最適解の符号パターンが,符号情報から決まる 15 最適な基底解 最適解の取りうる符号パターンの集合: 与えられた符号パターンによって一意に決まる

More Related Content

What's hot

アルゴリズムとデータ構造14
アルゴリズムとデータ構造14アルゴリズムとデータ構造14
アルゴリズムとデータ構造14Kenta Hattori
 
関東CV勉強会 Kernel PCA (2011.2.19)
関東CV勉強会 Kernel PCA (2011.2.19)関東CV勉強会 Kernel PCA (2011.2.19)
関東CV勉強会 Kernel PCA (2011.2.19)Akisato Kimura
 
Prml Reading Group 10 8.3
Prml Reading Group 10 8.3Prml Reading Group 10 8.3
Prml Reading Group 10 8.3正志 坪坂
 
第9回 配信講義 計算科学技術特論A(2021)
第9回 配信講義 計算科学技術特論A(2021)第9回 配信講義 計算科学技術特論A(2021)
第9回 配信講義 計算科学技術特論A(2021)RCCSRENKEI
 
PRML輪読#3
PRML輪読#3PRML輪読#3
PRML輪読#3matsuolab
 
Sigsoftmax: Reanalysis of the Softmax Bottleneck
Sigsoftmax: Reanalysis of the Softmax BottleneckSigsoftmax: Reanalysis of the Softmax Bottleneck
Sigsoftmax: Reanalysis of the Softmax BottleneckRI
 
Vanishing Component Analysis
Vanishing Component AnalysisVanishing Component Analysis
Vanishing Component AnalysisKoji Matsuda
 
DL Hacks輪読 Semi-supervised Learning with Deep Generative Models
DL Hacks輪読 Semi-supervised Learning with Deep Generative ModelsDL Hacks輪読 Semi-supervised Learning with Deep Generative Models
DL Hacks輪読 Semi-supervised Learning with Deep Generative ModelsYusuke Iwasawa
 
第8回 配信講義 計算科学技術特論A(2021)
第8回 配信講義 計算科学技術特論A(2021)第8回 配信講義 計算科学技術特論A(2021)
第8回 配信講義 計算科学技術特論A(2021)RCCSRENKEI
 
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)Akihiro Nitta
 
PRML輪読#12
PRML輪読#12PRML輪読#12
PRML輪読#12matsuolab
 
Prml5 6
Prml5 6Prml5 6
Prml5 6K5_sem
 
明日機械学習に役立つかもしれない数学
明日機械学習に役立つかもしれない数学明日機械学習に役立つかもしれない数学
明日機械学習に役立つかもしれない数学Yu(u)ki IWABUCHI
 
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII
 

What's hot (20)

PRMLrevenge_3.3
PRMLrevenge_3.3PRMLrevenge_3.3
PRMLrevenge_3.3
 
アルゴリズムとデータ構造14
アルゴリズムとデータ構造14アルゴリズムとデータ構造14
アルゴリズムとデータ構造14
 
PRML Chapter 5
PRML Chapter 5PRML Chapter 5
PRML Chapter 5
 
関東CV勉強会 Kernel PCA (2011.2.19)
関東CV勉強会 Kernel PCA (2011.2.19)関東CV勉強会 Kernel PCA (2011.2.19)
関東CV勉強会 Kernel PCA (2011.2.19)
 
Prml Reading Group 10 8.3
Prml Reading Group 10 8.3Prml Reading Group 10 8.3
Prml Reading Group 10 8.3
 
第9回 配信講義 計算科学技術特論A(2021)
第9回 配信講義 計算科学技術特論A(2021)第9回 配信講義 計算科学技術特論A(2021)
第9回 配信講義 計算科学技術特論A(2021)
 
Re revenge chap03-1
Re revenge chap03-1Re revenge chap03-1
Re revenge chap03-1
 
PRML輪読#3
PRML輪読#3PRML輪読#3
PRML輪読#3
 
Sigsoftmax: Reanalysis of the Softmax Bottleneck
Sigsoftmax: Reanalysis of the Softmax BottleneckSigsoftmax: Reanalysis of the Softmax Bottleneck
Sigsoftmax: Reanalysis of the Softmax Bottleneck
 
Vanishing Component Analysis
Vanishing Component AnalysisVanishing Component Analysis
Vanishing Component Analysis
 
DL Hacks輪読 Semi-supervised Learning with Deep Generative Models
DL Hacks輪読 Semi-supervised Learning with Deep Generative ModelsDL Hacks輪読 Semi-supervised Learning with Deep Generative Models
DL Hacks輪読 Semi-supervised Learning with Deep Generative Models
 
Prml6
Prml6Prml6
Prml6
 
第8回 配信講義 計算科学技術特論A(2021)
第8回 配信講義 計算科学技術特論A(2021)第8回 配信講義 計算科学技術特論A(2021)
第8回 配信講義 計算科学技術特論A(2021)
 
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
 
Prml7.5.1
Prml7.5.1Prml7.5.1
Prml7.5.1
 
ma92010id461
ma92010id461ma92010id461
ma92010id461
 
PRML輪読#12
PRML輪読#12PRML輪読#12
PRML輪読#12
 
Prml5 6
Prml5 6Prml5 6
Prml5 6
 
明日機械学習に役立つかもしれない数学
明日機械学習に役立つかもしれない数学明日機械学習に役立つかもしれない数学
明日機械学習に役立つかもしれない数学
 
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
 

第3回数理助教の会