ลาสเวกัสกับมอนติคาร์โลสุ่มความซับซ้อนของต้นไม้ตัดสินใจ


13

พื้นหลัง:

ต้นไม้ความซับซ้อนของการตัดสินใจหรือความซับซ้อนของแบบสอบถามเป็นรูปแบบที่เรียบง่ายของการคำนวณที่กำหนดไว้ดังนี้ ให้เป็นฟังก์ชันบูลีน ความซับซ้อนของการค้นหาแบบกำหนดขึ้นชื่อของfหมายถึงD ( f )คือจำนวนบิตขั้นต่ำของอินพุตx { 0 , 1 } nที่ต้องอ่าน (ในกรณีที่แย่กว่า) โดยอัลกอริธึมที่กำหนดf ( x) )f:{0,1}n{0,1}fD(f)x{0,1}nf(x). โปรดทราบว่าการวัดความซับซ้อนคือจำนวนบิตของอินพุตที่อ่าน การคำนวณอื่น ๆ ทั้งหมดนั้นฟรี

ในทำนองเดียวกันเรากำหนดลาสเวกัสุ่มซับซ้อนแบบสอบถามชี้แนะR 0 ( )เป็นจำนวนขั้นต่ำของบิตการป้อนข้อมูลที่จำเป็นเพื่อให้สามารถอ่านในความคาดหวังโดยศูนย์ข้อผิดพลาดแบบสุ่มอัลกอริทึมที่คำนวณF ( x ) อัลกอริธึมข้อผิดพลาดแบบ zero-outputs คำตอบที่ถูกต้องเสมอ แต่จำนวนของบิตอินพุตที่อ่านโดยขึ้นอยู่กับการสุ่มภายในของอัลกอริทึม (นี่คือเหตุผลที่เราวัดจำนวนอินพุตบิตที่คาดไว้อ่าน)fR0(f)f(x)

เรากำหนด Monte Carlo สุ่มซับซ้อนแบบสอบถามชี้แนะR 2 ( )จะเป็นจำนวนขั้นต่ำของบิตการป้อนข้อมูลที่จำเป็นที่จะต้องถูกอ่านโดยล้อมรอบข้อผิดพลาดแบบสุ่มอัลกอริทึมที่คำนวณF ( x ) อัลกอริทึมที่สิ้นสุดข้อผิดพลาดเสมอ outputs คำตอบในตอนท้าย ๆ แต่มันจะต้องถูกต้องด้วยความน่าจะเป็นมากขึ้นกว่า2 / 3 (พูด)fR2(f)f(x)2/3


คำถาม

สิ่งที่รู้เกี่ยวกับคำถามว่า

?R0(f)=Θ(R2(f))

เป็นที่ทราบกันดีว่า

R0(f)=Ω(R2(f))

เพราะอัลกอริทึม Monte Carlo นั้นมีประสิทธิภาพอย่างน้อยที่สุดเท่าอัลกอริทึมของ Las Vegas

เมื่อเร็ว ๆ นี้ฉันได้เรียนรู้ว่าไม่มีการแบ่งแยกระหว่างสองสิ่งที่ซับซ้อน ข้อมูลอ้างอิงล่าสุดที่ฉันสามารถหาได้สำหรับการอ้างสิทธิ์นี้มาจากปี 1998 [1]:

[1] Nikolai K. Vereshchagin, ต้นไม้ตัดสินใจแบบสุ่มบูลีน: คำพูดหลายคำ, วิทยาศาสตร์คอมพิวเตอร์เชิงทฤษฎี, เล่ม 207, ฉบับที่ 2, 6 พฤศจิกายน 2541, หน้า 329-342, ISSN 0304-3975, http://dx.doi.org/ 10.1016

ขอบเขตบนที่รู้จักกันเป็นอย่างดีในด้านอื่น ๆ คือ

R0(f)=O(R2(f)2logR2(f))

เนื่องจาก [2]:

[2] Kulkarni, R. , & Tal, A. (2013, พฤศจิกายน) เกี่ยวกับความไวของบล็อกเศษส่วน ใน Electronic Colloquium ต่อความซับซ้อนในการคำนวณ (ECCC) (ตอนที่ 20, p. 168)

ฉันมีคำถามสองข้อ

  1. [คำขออ้างอิง]: มีบทความล่าสุด (หลังปี 1998) ที่กล่าวถึงปัญหานี้หรือไม่?
  2. ที่สำคัญกว่านั้นมีฟังก์ชั่นตัวเลือกที่คาดเดาเพื่อแยกความซับซ้อนทั้งสองนี้หรือไม่?

เพิ่มใน v2:เพิ่มการอ้างอิง [2] โดยเน้นคำถามที่สองเกี่ยวกับการมีอยู่ของฟังก์ชันผู้สมัคร

คำตอบ:


7

เท่าที่ฉันรู้สิ่งนี้ยังคงเปิดอยู่ บทความล่าสุดที่กล่าวถึงปริมาณและขอบเขตบางอย่างคือ Aaronson et al: Weak parity (ดูhttp://arxiv.org/abs/1312.0036 ) นอกจากนี้คุณยังสามารถดูบทที่ 14 ของ Jukna: ฟังก์ชั่นบูลีนและการสำรวจปี 1999 (ยังคงเต้นในปี 1998!) โดย Buhrman และ de Wolf บทความล่าสุดเกี่ยวกับความซับซ้อนของต้นไม้ตัดสินใจแบบสุ่มคือ Magniez et al: http://arxiv.org/abs/1309.7565

ในที่สุดสรุปสั้น ๆ ที่ฉันทำเพื่อตัวเองเมื่อเดือนที่แล้ว (ไม่มี defs):

R2 <= R0 <= D <= n

D <= N0 * N1 <= C ^ 2 <= R0 ^ 2

s <= bs <= C <= s * bs <= bs ^ 2 (ใหม่: [Gilmer-Saks-Srinivasan]: มี f st bs ^ 2 (f) = O (C (f))

D <= N1 * BS <= BS ^ 3 <= (3R2) ^ 3

deg <= D <= bs * deg <= deg ^ 3 (ใหม่: [Tal]: bs <= deg ^ ^ 2)

D <= N1 * องศา

C <= BS * ^ 2 องศา <= ^ 4 องศา

การคาดเดาความไวคือ s ยังเกี่ยวข้องกับพหุนามกับพารามิเตอร์อื่น ๆ


คุณสามารถชี้เฉพาะที่เอกสารเหล่านี้อ้างอิงคำถามของขั้นตอนวิธี Las Vegas vs Monte Carlo ได้ไหม ฉันพยายามค้นหาในเอกสารเหล่านี้ แต่หาไม่พบ
Robin Kothari

ฉันขอโทษถ้าฉันไม่ชัดเจนเอกสารเหล่านี้ไม่ได้กล่าวถึงคำถามอย่างชัดเจนความไม่เท่าเทียมกันที่แตกต่างกันสำหรับพารามิเตอร์ที่แตกต่างกัน หลักฐานเดียวของฉันสำหรับการเปิดกว้างของคำถามคือถ้าไม่ใช่มันก็จะถูกกล่าวถึง
domotorp

โอ้ฉันเข้าใจความหมายของคุณ ฉันอ่านเอกสารเหล่านี้แล้ว ฉันสงสัยว่าปัญหานี้ได้รับการศึกษาโดยเฉพาะเมื่อเร็ว ๆ นี้ และฉันยังอยากรู้ด้วยว่ามีฟังก์ชันที่คาดเดาว่าจะแยกความซับซ้อนทั้งสองนี้ได้ไหม (หรือถ้าคนเชื่อว่าพวกเขาเหมือนกัน)
Robin Kothari

ฉันรู้ว่ามันเป็นการคาดเดาว่าการแยกที่ใหญ่ที่สุดจาก D คือ NAND-tree สำหรับทั้ง R0 และ R2
domotorp

7

คำถามนี้ได้รับการแก้ไขแล้ว!

f

R0(f)=Ω~(R2(f)2)

และแม้กระทั่ง

R0(f)=Ω~(R1(f)2)

R1(f)

การแยกทั้งสองนั้นเหมาะสมที่สุดกับปัจจัยบันทึก!


ในรุ่นใหม่ของกระดาษของพวกเขานี้ได้รับการปรับปรุงให้มีช่องว่างเกือบกำลังสองซึ่งแน่นขึ้นกับปัจจัยการบันทึก
Shalev
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.