ตัวอย่างของการแยกตัวที่ประสบความสำเร็จจาก BPP ถึง P


15

อะไรคือตัวอย่างที่สำคัญของการทำให้กระจัดกระจายที่ประสบความสำเร็จหรืออย่างน้อยก็มีความคืบหน้าในการแสดงหลักฐานที่เป็นรูปธรรมต่อเป้าหมาย (ไม่ใช่การเชื่อมต่อแบบสุ่มความแข็ง)P=BPP

ตัวอย่างเดียวที่อยู่ในใจของฉันคือ AKS การทดสอบพหุนามเวลาแบบพหุนามกำหนด ดังนั้นเราจึงมีหลักฐานที่เฉพาะเจาะจงผ่านตัวอย่างสำหรับการทำให้เป็นแบบสุ่ม (ไม่ใช่ความแข็งหรือการเชื่อมต่อแบบ oracle) อีก?

โปรดเก็บตัวอย่างไว้เฉพาะที่แสดงการปรับปรุงความซับซ้อนของเวลาจากโพลีแบบสุ่มไปยังโพลีแบบกำหนดค่าหรือบางสิ่งที่ใกล้เคียงกับปัญหาเฉพาะอย่างมาก


การติดตามมีความคิดเห็นเพิ่มเติมและฉันไม่รู้มากว่าจะช่วยให้แบบสอบถามนี้

Chazelle มีคำแถลงที่น่าสนใจมากในhttp://www.cs.princeton.edu/~chazelle/linernotes.htmlภายใต้ 'The The Discrepancy Method: Randomness and Complexity (สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์, 2000)'

'มันเป็นที่มาของความหลงใหลไม่รู้จบสำหรับฉันว่าความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับการคำนวณแบบกำหนดค่าควรใช้ความชำนาญในการสุ่ม ฉันเขียนหนังสือเล่มนี้เพื่ออธิบายการเชื่อมต่อที่ทรงพลังนี้ ตั้งแต่ต้นไม้ที่ทอดยาวไปจนถึงการเขียนโปรแกรมเชิงเส้นไปจนถึงการคำนวณแบบสามเหลี่ยมด้านเท่า Delaunay อัลกอริธึมที่มีประสิทธิภาพมากที่สุด วิธีการที่ไม่เหมือนกันทำให้เด่นในหนึ่งคำถามที่มีผลมากที่สุดในวิทยาการคอมพิวเตอร์ทั้งหมด: ถ้าคุณคิดว่าคุณต้องการบิตสุ่มกรุณาบอกเราว่าทำไม '


2
อัลกอริธึมจำนวนมากสามารถแยกแยะได้โดยใช้เทคนิคทั่วไปเช่นวิธีการคาดการณ์ตามเงื่อนไขวิธีการประมาณมองโลกในแง่ร้ายและการใช้พื้นที่ตัวอย่างอิสระแบบมีขอบเขต ในความเป็นจริงการทดสอบแบบดั้งเดิมและการทดสอบตัวตนแบบพหุนามนั้นมีชื่อเสียงมากเพราะมันเป็นตัวอย่างที่หายากของฟังก์ชั่นธรรมชาติที่ต่อต้านเทคนิคการแยกตัวแบบมาตรฐาน
Sasho Nikolov

1
@SashoNikolov ขอบคุณอาจเป็นความคิดเห็นที่สามารถขยายได้เป็นคำตอบแบบเต็มในตัวอย่างบางส่วน นอกจากนี้คือการเชื่อมต่อความแข็ง-สุ่มผ่านความซับซ้อนของวงจรเพียงเหตุผลที่คนเชื่อว่า ? P=BPP

1
ฉันคิดว่านี่เป็นคำตอบที่ธรรมดาเกินไป ดูบทเกี่ยวกับการทำให้กระจัดกระจายใน Alon-Spencer สำหรับรายละเอียดและตัวอย่าง: มันครอบคลุมสามเทคนิคที่ฉันพูดถึง
Sasho Nikolov

สิ่งที่น่าสนใจเกี่ยวกับคลาส BPP คือนิยามทางทฤษฎีต้องการบิตอินพุตแบบสุ่มซึ่งสามารถแสดงได้ง่ายโดยใช้การสุ่มและการสุ่มแบบสุ่มของ kolomogrov แบบอ่อนเพื่อไม่ให้อยู่ในขอบเขตที่ จำกัด ฉันไม่รู้ว่าผู้คนสามารถใช้ชีวิตด้วยความไม่สอดคล้องนี้ได้อย่างไร ฉันเองไม่เชื่อว่ามีคลาส BPP ที่ชัดเจน (เป็น NP หรือ P)

คำตอบ:


18

LSL=L

ย่อมาจาก logspace แบบสุ่มและ R L = Lเป็นรุ่นเล็กของปัญหา R P = P หินก้าวที่สำคัญคือการพิสูจน์ของ Reingold ใน '04 ("การเชื่อมต่อ ST แบบไม่ได้บอกทิศทางใน Logspace") ที่ S L =RLRL=LRP=Pที่ Sย่อมาจาก "สมมาตร" และ S Lเป็นชั้นกลางระหว่าง R LและLSL=LSSLRLL

แนวความคิดคือคุณสามารถนึกถึงทัวริงของพื้นที่ทำงานแบบทัวริงเครื่องเป็นกราฟกำกับขนาดโพลิโนเมียลที่โหนดเป็นสถานะของเครื่องและอัลกอริทึม RL ใช้เวลาเดินแบบสุ่มที่มีคุณสมบัติที่ดี SL สอดคล้องกับกราฟที่ไม่ได้บอกทิศทางของแบบฟอร์มนี้ การพิสูจน์ของ Reingold สร้างขึ้นจากการทำงานบนกราฟที่ขยายได้โดยเฉพาะ Reingold, Vadhan และ "ผลิตภัณฑ์ซิกแซก" ของ Wigderson เพื่อใช้การสุ่มเดินบนกราฟที่ไม่มีการบอกทิศทางด้วยคุณสมบัติที่ดี

แก้ไขคำถามนี้ถูกโพสต์ก่อนที่คำถามจะเปลี่ยนอย่างชัดเจนเพื่อมุ่งเน้นเฉพาะใน P vs BPP ... ฉันปล่อยให้มันเพราะมันน่าสนใจ


8
โปรดอย่า คำตอบนั้นน่าสนใจ
Emil Jeřábekสนับสนุน Monica

1
สวัสดี @ นักเรียน. ฉันคิดว่าคนที่มาที่คำถามที่สนใจตัวอย่างของการแยกตัวที่ประสบความสำเร็จจะสนใจคำตอบนี้ดังนั้นฉันจะเก็บไว้โดยไม่หมายถึงการไม่เคารพเป้าหมายของคุณ (ซึ่งถูกแก้ไขในภายหลังเพื่อระบุความซับซ้อนของเวลา ... )
usul

2
ฉันควรจะบอกว่าคำถามและคำตอบในเว็บไซต์นี้ควรมีการกำหนดไว้เพื่อให้เป็นประโยชน์โดยทั่วไปสำหรับผู้เข้าชมในอนาคตในฐานะแหล่งข้อมูลอ้างอิงไม่ใช่เพื่อให้เหมาะกับเป้าหมายเฉพาะของผู้โพสต์ ฉันหนึ่งค้นหาคำถามโดยไม่จำกัด เทียมความซับซ้อนของเวลาและ BPP มีประโยชน์มากขึ้น
Emil Jeřábekสนับสนุน Monica

@ EmilJeřábekตกลงขอบคุณเราจะออกจากโพสต์ของ usul ตามที่นี่

@usul 'ความคิดคือคุณสามารถนึกถึงทัวริง logspace ทัวริงเครื่องเป็นกราฟกำกับขนาดพหุนาม มีสัญชาตญาณที่เหมาะสมสำหรับ NL หรือไม่? ฉันรู้ว่า L ไม่ใช่ NL ถูกคาดเดา แต่ PSPACE = NPSPACE และพื้นที่อาจแตกต่างกันไปตามเวลา
T ....

16

โดยทั่วไปมีเพียงปัญหาเดียวที่น่าสนใจใน BPP ที่ไม่ทราบว่าอยู่ใน P: การทดสอบเอกลักษณ์โพลิโนเมียลเนื่องจากวงจรพีชคณิตเป็นพหุนามที่สร้างเป็นศูนย์ขึ้นมาเหมือนกัน Impagliazzo และ Kabanetsแสดงให้เห็นว่า PIT ใน P จะบ่งบอกถึงขอบเขตของวงจรที่ต่ำกว่า ดังนั้นขอบเขตที่ต่ำกว่าของวงจรเป็นเหตุผลเดียว (แต่เป็นสิ่งที่ดีงาม) ที่เราเชื่อว่า P = BPP


4
ในขณะที่ฉันเห็นด้วยกับคุณในระดับสูงฉันคิดว่าจำนวนอัลกอริธึมแบบสุ่มในทฤษฎีกลุ่มการคำนวณแนะนำอีกชั้นหนึ่งที่แน่นแฟ้นมากสำหรับคำถามเกี่ยวกับการแยกตัวที่น่าสนใจซึ่งดูเหมือนจะไม่ลดลงไปถึง PIT ในขณะที่สิ่งเหล่านี้ส่วนใหญ่เป็นหน้าที่มากกว่าปัญหาการตัดสินใจ แต่บางคนก็สามารถแต่งใหม่เป็นปัญหาการตัดสินใจที่น่าสนใจใน BPP เช่นcstheory.stackexchange.com/a/11440/129
Joshua Grochow

O((n))O((n))BPPBPP(n)P=BPPการคาดเดาได้รับผลกระทบหากไม่สามารถกำหนดช่องว่างแบบสุ่มและคาดเดาได้สำหรับอัลกอริทึมเหล่านี้
T ....

12

นอกจากการทดสอบเอกลักษณ์พหุนามแล้วปัญหาที่สำคัญอีกอย่างหนึ่งที่ทราบกันว่าอยู่ใน BPP แต่ไม่ใช่ใน P เป็นการประมาณค่าถาวรของเมทริกซ์ที่ไม่เป็นลบหรือแม้แต่จำนวนการจับคู่ที่สมบูรณ์แบบในกราฟ มีอัลกอริทึมแบบสุ่มเวลาโพลีเพื่อประมาณตัวเลขเหล่านี้ภายในปัจจัย (1 + eps) ในขณะที่อัลกอริทึมที่ดีที่สุดกำหนดให้บรรลุเพียง ~ 2 ^ n ปัจจัยการประมาณ

ในขณะที่ถาวรเป็นตัวอย่างหลักมีปัญหาการนับจำนวนโดยประมาณซึ่งมีช่องว่างขนาดใหญ่ระหว่างอัลกอริธึมแบบสุ่ม (โดยทั่วไปจะใช้วิธีการ 'MCMC') และ Algoritms ที่กำหนดขึ้น

ปัญหาอีกประการหนึ่งในหลอดเลือดดำที่คล้ายกันคือการประมาณปริมาตรของร่างกายนูนที่ได้รับอย่างชัดเจน (พูดรูปทรงหลายเหลี่ยมที่อธิบายโดยชุดของความไม่เท่าเทียมกันเชิงเส้น)


หนึ่งความละเอียดอ่อนใน P vs BPP ที่ฉันหวังว่าฉันจะเข้าใจได้ดีขึ้นคือความแตกต่างระหว่างปัญหาของฟังก์ชั่นและปัญหาการตัดสินใจ มันอาจเป็นไปได้ว่ามีปัญหาหลายฟังก์ชั่นที่แก้ไขได้ (ในบางแง่มุม) แบบสุ่ม แต่ไม่สามารถกำหนดได้ในเวลาพหุนาม แต่ P = BPP ดูเหมือนว่าตัวอย่างของคุณอาจแปลไปสู่ปัญหาการตัดสินใจได้อย่างง่ายดายใช่ไหม?
usul

1
การตัดสินใจเทียบกับปัญหาการใช้งานฟังก์ชั่นนั้นละเอียดกว่าในโลก NP เล็กน้อย แต่ก็ยังเป็นที่รู้จักกันมาก: ตัวอย่างเช่นบทความนี้ในส่วนที่ 3 ให้ตัวอย่างของ "ปัญหาการค้นหาแบบสุ่มแก้ปัญหาเวลาโพลีแบบสุ่ม" แต่ถ้าฟังก์ชั่นเป็นแบบหนึ่งต่อหนึ่งแล้ว P = BPP หมายถึง "ปัญหาโพลีแบบสุ่มเวลาแก้ปัญหาฟังก์ชั่นโพลี" มีอัลกอริทึมโพลีเวลาที่กำหนด (กระดาษให้ตัวอย่างอีกมากมาย)
Joe Bebel
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.