การแจกแจงความน่าจะเป็นและความซับซ้อนเชิงคำนวณ


9

คำถามนี้เกี่ยวกับจุดตัดของทฤษฎีความน่าจะเป็นและความซับซ้อนในการคำนวณ ข้อสังเกตสำคัญอย่างหนึ่งคือการแจกแจงบางอย่างง่ายกว่าการสร้างอื่น ๆ ตัวอย่างเช่นปัญหา

ได้รับหมายเลขกลับมาเป็นจำนวนมากกระจายเหมือนกันกับ<nnผม0ผม<n

แก้ง่าย ในทางตรงกันข้ามปัญหาต่อไปนี้คือหรือดูเหมือนจะยากขึ้นมาก

รับตัวเลขส่งคืนตัวเลขซึ่งคือ (จำนวนGödel) หลักฐานที่ถูกต้องของความยาว n ใน Peano เลขคณิต นอกจากนี้หากจำนวนการพิสูจน์ดังกล่าวเป็นแล้วน่าจะเป็นที่จะได้รับหลักฐานใด ๆ ที่เฉพาะเจาะจงของความยาว ควรจะ(n)}nผมผมพีR(n)n1พีR(n)

สิ่งนี้ชี้ให้เห็นว่าการแจกแจงความน่าจะเป็นมาพร้อมกับแนวคิดเรื่องความซับซ้อนในการคำนวณ ยิ่งไปกว่านั้นความซับซ้อนนี้อาจเกี่ยวข้องกับปัญหาการตัดสินใจอย่างใกล้ชิด (ไม่ว่าจะเรียกซ้ำย่อยเช่นP, EXPซ้ำซ้ำนับซ้ำหรือแย่กว่านั้น)

คำถามของฉันคือใครจะกำหนดความซับซ้อนในการคำนวณของการแจกแจงความน่าจะเป็นได้อย่างไรโดยเฉพาะอย่างยิ่งในกรณีที่ปัญหาการตัดสินใจไม่สามารถตัดสินใจได้ ฉันแน่ใจว่าสิ่งนี้ได้รับการตรวจสอบแล้ว แต่ฉันไม่แน่ใจว่าจะมองที่ใด


1
อีกตัวอย่างที่น่าสนใจ (แต่สิ่งที่สามารถตัดสินใจได้) คือการแปลงควอนตัมฟูริเยร์ รับคืนค่าตัวเลขดังนั้นความน่าจะเป็นของคือสัดส่วนกับ,N} (k)=akพอควรล.[0,ยังไม่มีข้อความ]ล.|F(ล.)|F(ล.)=Σk=0ยังไม่มีข้อความ(k)อี-2πผมkล./ยังไม่มีข้อความ
หลงทางตรรกะ

1
ตัวอย่างของคุณทั้งสองเป็นการกระจายแบบไม่ต่อเนื่อง ฉันจะจินตนาการถึงความซับซ้อนที่แตกต่างกันว่ามันยากเพียงใดในการนับโดยที่คือส่วนสนับสนุน |χ|χ
Nicholas Mancuso

1
@NicholasMancuso ฉันยอมรับว่าสามารถใช้ตัวเลือกการนับ + unform ได้เสมอ ดังนั้นในบางแง่ก็ให้ขอบเขตบน นี่คือทั้งหมดที่สามารถพูดได้? มีการสืบสวนเรื่องนี้ในวรรณคดีที่ไหน
Martin Berger

1
@NicholasMancuso ตัวอย่างที่ฉันให้คือการแจกแจงแบบสม่ำเสมอ แต่เราสามารถถามคำถามเดียวกันเกี่ยวกับการแจกแจงแบบไม่สม่ำเสมอ หนึ่งยังสามารถสงสัยเกี่ยวกับการกระจายใน{R} ในฐานะที่เป็นเรื่องที่เกี่ยวกับการกระจายต่อเนื่อง: เบื้องต้นนับไม่ปรากฏจะเพียงพอโดยทั่วไปคุณยังจะต้องมีความสามารถที่จะสร้างองค์ประกอบ -th หลังจากที่คุณได้รับการแต่งตั้งอย่างสม่ำเสมอฉันที่กล่าวมาอาจเป็นกรณีที่การนับเป็นแกนหลักของปัญหา Rผมผม
Martin Berger

1
@NikosM ขอบคุณ แต่ลิงค์นั้นก็ไม่ได้พูดอะไรเกี่ยวกับความซับซ้อนของการแจกแจงพื้นฐาน การอ้างอิงพูดคุยเกี่ยวกับการเปลี่ยนแปลงφในการกระจายเครื่องแบบ แต่การเปลี่ยนแปลงนั้นอาจเป็นการยากหรือง่ายในการคำนวณ
Martin Berger

คำตอบ:


2

ความซับซ้อนของการแจกแจงความน่าจะเป็นเกิดขึ้นโดยเฉพาะอย่างยิ่งในการศึกษาปัญหาการกระจายเช่น DistNPในทฤษฎีของ Levin ของทฤษฎีความซับซ้อนของกรณีโดยเฉลี่ยทฤษฎีความซับซ้อนกรณีเฉลี่ย

การแจกแจงแบบP คำนวณได้หากฟังก์ชันความหนาแน่นสะสมสามารถประเมินได้ในเวลาพหุนาม

การแจกแจงแบบP-samplableถ้าเราสามารถสุ่มตัวอย่างจากพวกมันในเวลาพหุนาม

ถ้าการแจกแจงเป็นแบบ P- ก็จะเป็นแบบ P-sampable การย้อนกลับไม่เป็นความจริงหากมีฟังก์ชั่นทางเดียวบางอย่างอยู่

คุณสามารถขยายคำจำกัดความไปยังคลาสความซับซ้อนอื่น ๆ

Oded Goldreichมีข้อความแนะนำเบื้องต้นเกี่ยวกับหัวข้อที่คุณอาจต้องการตรวจสอบ


ขอบคุณฉันคิดว่าเป็นทฤษฎีของ P-samplable distributions เป็นสิ่งที่ฉันต้องการ แต่ไม่มีเหตุผลใดที่จะจำกัดความสนใจPคุณสามารถกำหนด -samplable distributions สำหรับคลาสความซับซ้อนใด ๆ . ด้วยการเพิ่มขึ้นล่าสุดของ ภาษาโปรแกรมน่าจะเป็นสิ่งที่สำคัญ
Martin Berger

@ มาร์ตินใช่ มีการสอนเกี่ยวกับการเขียนโปรแกรมน่าจะเป็น ( สไลด์วิดีโอจะถูกโพสต์เช่นกัน) ที่ NIPS 2015 ฉันได้ยินคนที่เข้าร่วมพบว่ามันน่าสนใจมาก ยินดีที่ได้เห็นคนทำงานที่จุดตัดของ ML / สถิติและ PL :)
Kaveh

ใช่และปัญหาหลักคือภาษาดังกล่าว (= ตัวอย่างทั่วไปที่ตั้งโปรแกรมได้) นั้นช้า เราจะเร่งความเร็วให้เร็วขึ้นได้อย่างไร?
Martin Berger
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.