คำถามติดแท็ก polynomials

1
อะไรคือผลลัพธ์ของอัลกอริธึมที่ประมาณค่าพหุนามมากกว่าชุดคะแนนที่กำหนด?
ดูเหมือนว่ามีอัลกอริทึมแบบสุ่มจำนวนมากสำหรับการทดสอบเอกลักษณ์พหุนามตรวจสอบว่าพหุนามที่กำหนดนั้นเป็นศูนย์หรือไม่ มีผลลัพธ์ของอัลกอริธึมที่ทำการประมาณค่าพหุนามในรูปแบบของคะแนนบางชุดหรือไม่? ยกตัวอย่างเช่นนี่อาจประมาณว่าเศษส่วนของจุดเหล่านี้ที่พหุนามประเมินเป็นศูนย์หรือประมาณค่าเฉลี่ยของพหุนามมากกว่าจุดเหล่านี้ ชุดของคะแนนสามารถระบุได้เฉพาะอัลกอริทึม

1
การทดสอบเอกลักษณ์แบบสุ่มสำหรับพหุนามระดับสูง?
ปล่อย ฉฉf ถั่ว nnn- พหุนามแปรแปรเป็นวงจรคณิตศาสตร์ของขนาดโพลี(n)( n )(n)และปล่อยให้ พี=2Ω(n)p =2Ω ( n )p = 2^{\Omega(n)} เป็นนายก คุณสามารถทดสอบได้ไหม ฉฉf มีค่ามากกว่าศูนย์เหมือนกัน ZพีZพี\mathbb{Z}_p, กับเวลา โรงเรียนสารพัดช่าง(n)โพลี (n)\mbox{poly}(n) และความน่าจะเป็นข้อผิดพลาด ≤1-1/โรงเรียนสารพัดช่าง(n)≤ 1 - 1 / โพลี ( n )\leq 1-1/\mbox{poly}(n)แม้ว่าระดับไม่ได้เป็นนิรนัย จำกัด ? เกิดอะไรขึ้นถ้าฉฉf univariate คืออะไร โปรดทราบว่าคุณสามารถทดสอบว่า ฉฉfเป็นศูนย์ที่เหมือนกันในการแสดงออกอย่างเป็นทางการ โดยใช้ Schwartz-Zippel กับสนามขนาดพูด22|ฉ|22 | ฉ|2^{2|f|}เพราะระดับสูงสุดของ ฉฉf คือ 2|ฉ|2| ฉ|2^{|f|}.

3
หาส่วนที่เหลือของพหุนามคงที่ที่มีขนาดใหญ่เมื่อหารด้วยพหุนามที่ไม่รู้จักขนาดเล็ก
สมมติว่าเราทำงานในสนาม จำกัด เราได้รับค่าคงที่พหุนามขนาดใหญ่ p (x) (จาก, พูด, องศา 1,000) บนฟิลด์นี้ พหุนามนี้รู้จักกันมาก่อนและเราได้รับอนุญาตให้ทำการคำนวณโดยใช้ทรัพยากรจำนวนมากใน "ช่วงเริ่มต้น" ผลลัพธ์เหล่านี้อาจถูกจัดเก็บในตารางการค้นหาขนาดเล็กพอสมควร ในตอนท้ายของ "ระยะเริ่มต้น" เราจะได้รับพหุนาม Q (x) ที่ไม่รู้จักจำนวนเล็กน้อย (จาก, พูด, ระดับ 5 หรือน้อยกว่า) มีวิธีที่รวดเร็วในการคำนวณ p (x) mod q (x) หรือไม่เนื่องจากเราได้รับอนุญาตให้ทำการคำนวณที่ซับซ้อนบางอย่างใน "ระยะเริ่มต้น"? วิธีหนึ่งที่ชัดเจนคือการคำนวณ p (x) mod q (x) สำหรับค่าที่เป็นไปได้ทั้งหมดของ q (x) มีวิธีที่ดีกว่าในการทำเช่นนี้?

1
การศึกษาอย่างเป็นระบบของผลรวมของพหุนามกำลังสองกำลังสอง
ฉันสงสัยว่าถ้ามีการศึกษาอย่างเป็นระบบเกี่ยวกับผลรวมของรูปสี่เหลี่ยมกำลังสองกำลังสองคล้ายกับรูปสี่เหลี่ยมกำลังสองซึ่งสะท้อนให้เห็นในทางปฏิบัติในการสลายตัวของค่าลักษณะเฉพาะ ตัวอย่างที่เกี่ยวข้องกับความสำคัญของคำถาม หลักวิเคราะห์องค์ประกอบ (PCA) รับชุดของคะแนนค้นหาชุดของแกน , ... , เขียนเป็นเมทริกซ์และการคาดการณ์ , ... ,ที่ลดความแปรปรวนที่ไม่ได้อธิบายให้น้อยที่สุดนั่นคือแก้ปัญหาการหาค่าเหมาะที่สุดของควอร์ติคต่อไปนี้xi∈Rn,i=1..kxi∈Rn,i=1..kx_i \in \mathbb{R^n}, i=1..ku1u1u_1umumu_mยู∈RnxRม.ยู∈RnxRม.U \in \mathbb{R^n x R^m}ξ1ξ1\xi_1ξk,ξ∘∈Rม.ξk,ξ∘∈Rม.\xi_k, \xi_{\circ} \in \mathbb{R^m} R กรัมm ฉันnยู1, . . ,ยูn, ξ1, . . ,ξkΣผม(ยูTξผม-xผม)2aRก.ม.ผมnยู1,..,ยูn, ξ1,..,ξk⁡Σผม(ยูTξผม-xผม)2 \mathop{argmin} \limits_{u_1,.., u_n,\ \xi_1, .., \xi_k} \sum \limits_{i} \left( U^T \xi_i - x_i \right)^2 ด้วยเวทย์มนตร์ของความสมมาตรมันมีทางออกโดยการสลายตัวของค่าเอกพจน์ ทั่วไป PCA …
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.