คำถามติดแท็ก randomness

มีความพยายามใด ๆ ที่จะแสดงให้เห็นว่าการสุ่ม KolmogorovจะเพียงพอสำหรับRPหรือไม่? ความน่าจะเป็นที่ใช้ในคำสั่ง "ถ้าคำตอบที่ถูกต้องคือใช่แล้วมัน (เครื่องทัวริงน่าจะเป็น) จะส่งคืน YES ด้วยความน่าจะเป็น ... " จะถูกกำหนดไว้อย่างดีเสมอในกรณีนั้นหรือไม่ หรือจะมีขอบเขตบนและล่างสำหรับความน่าจะเป็นนั้นเท่านั้น หรือว่าจะมีเครื่องทัวริงที่น่าจะเป็นไปได้เสมอซึ่งความน่าจะเป็นที่กำหนดไว้อย่างดี (หรืออย่างน้อยก็ขอบเขตล่างที่ควรใหญ่กว่า 1/2) คลาส RP ที่นี่ค่อนข้างไม่มีกฎเกณฑ์และเราก็สามารถถามคำถามนี้สำหรับความคิดที่อ่อนแอกว่าของการสุ่ม (หลอก) กว่า Kolmogorov randomness แต่การสุ่ม Kolmogorov น่าจะเป็นจุดเริ่มต้นที่ดี การทำความเข้าใจกับคำว่า "ความน่าจะเป็น" จะเป็นส่วนหนึ่งของความพยายามที่จะแสดงให้เห็นว่าการสุ่ม Kolmogorov นั้นใช้งานได้กับ RP อย่างไรก็ตามขอให้ฉันพยายามอธิบายวิธีหนึ่งที่เป็นไปได้เพื่อชี้แจงความหมายและทำไมฉันถึงพูดถึงขอบเขตบนและล่าง: Letเป็น (Kolmogorov สุ่ม) สตริง ให้เป็นเครื่องทัวริงที่เป็นไปได้ที่สอดคล้องกับภาษาจาก RP รันด้วยเป็นซอร์สสำหรับบิตสุ่มครั้งดำเนินการต่อเพื่อกินบิตที่ไม่ได้ใช้ก่อนหน้านี้จากหนึ่งหลังจากที่อื่นA A s n ssssAAAAAAsssnnnsss สำหรับให้และพี _- ^ s = …

10 randomized-algorithms  randomness  pseudorandomness 

ปล่อยให้คลาส BPNC (การรวมกันของและ ) เป็นอัลกอริทึมแบบขนานความลึกของบันทึกที่มีความน่าจะผิดพลาดแบบ จำกัด ขอบเขตและเข้าถึงแหล่งข้อมูลแบบสุ่ม (ฉันไม่แน่ใจว่าชื่อนี้แตกต่างกัน) กำหนดคลาส DBPNC ในทำนองเดียวกันยกเว้นว่ากระบวนการทั้งหมดมีการเข้าถึงแบบสุ่มในสตรีมแบบสุ่มของบิตคงที่เมื่อเริ่มอัลกอริทึมB P PBPP\mathsf{BPP}N Cยังไม่มีข้อความค\mathsf{NC} กล่าวอีกนัยหนึ่งแต่ละกระบวนการใน BPNC มีการเข้าถึงแหล่งสุ่มที่แตกต่างกันในขณะที่อัลกอริทึม DBPNC มีตัวสร้างตัวนับโหมดตัวนับร่วมกันอย่างสมบูรณ์แบบ เรารู้หรือไม่ว่า BPNC = DBPNC

10 cc.complexity-theory  complexity-classes  dc.parallel-comp  randomness  pseudorandomness 

BPPBPP\mathsf{BPP}และเป็นคลาสความซับซ้อนที่น่าจะเป็นพื้นฐานสองชั้นZPPZPP\mathsf{ZPP} BPPBPP\mathsf{BPP}เป็นชั้นของภาษาตัดสินใจโดยขั้นตอนวิธีการทัวริงน่าจะเป็นพหุนามเวลาที่น่าจะเป็นของอัลกอริทึมกลับคำตอบที่ไม่ถูกต้องเป็นที่สิ้นสุดคือความน่าจะเป็นข้อผิดพลาดเป็นอย่างมาก (ทั้งใช่และ ไม่มีอินสแตนซ์)1313\frac{1}{3} ในทางกลับกัน อัลกอริทึมสามารถดูได้เป็นอัลกอริธึมที่น่าจะเป็นซึ่งไม่เคยส่งคืนคำตอบที่ไม่ถูกต้องเมื่อใดก็ตามที่พวกเขากลับคำตอบมันถูกต้อง อย่างไรก็ตามเวลาทำงานของพวกเขาไม่ได้ จำกัด โดยพหุนามZPPZPP\mathsf{ZPP} Letเป็นระดับของภาษาตัดสินใจโดยขั้นตอนวิธีการน่าจะเป็นกับศูนย์ความน่าจะเป็นข้อผิดพลาดและคาดว่าทำงานเวลาฉเหล่านี้จะยังเรียกว่าอัลกอริทึมลาสเวกัสและ(1)})ZPTime(f)ZPTime(f)\mathsf{ZPTime}(f)fffZPP=ZPTime(nO(1))ZPP=ZPTime(nO(1))\mathsf{ZPP} = \mathsf{ZPTime}(n^{O(1)}) คำถามของฉันคือสิ่งที่ดีที่สุดรู้การจำลองอัลกอริทึมโดยใช้อัลกอริทึมลาสเวกัส เราสามารถจำลองพวกมันในเวลาที่คาดหมายได้หรือไม่? มีการปรับปรุงใด ๆ ที่ทราบกันดีกว่าการจำลองแบบสัตว์เดรัจฉานแบบบังคับซึ่งใช้เวลานานมาก?BPPBPP\mathsf{BPP} อย่างเป็นทางการมากขึ้นเรารู้ว่า หรือสำหรับบางส่วน ?B P P ⊆ Z P T ฉันm e ( 2 n - n ϵ ) ϵ > 0B P P ⊆ Z P T ฉันมE ( 2O ( nε))BPP⊆ZPTผมม.อี(2O(nε))\mathsf{BPP} \subseteq …

10 cc.complexity-theory  complexity-classes  randomness  randomized-algorithms 

การคำนวณของเครื่องทัวริสเทอโรนิก Turing (NTM) เป็นที่รู้กันดีว่าสามารถนำเสนอได้ในรูปแบบของการกำหนดค่า การเปลี่ยนแปลงใด ๆ ในโปรแกรมแสดงโดยลิงค์พ่อ - ลูกในแผนภูมินี้ ต้นไม้ที่คล้ายกันนี้ยังสามารถสร้างขึ้นเพื่อแสดงภาพการคำนวณของความน่าจะเป็นและเครื่องควอนตัมได้เช่นกัน (โปรดทราบว่ามันจะดีกว่าสำหรับวัตถุประสงค์บางอย่างที่จะไม่ดูกราฟที่เกี่ยวข้องสำหรับการคำนวณควอนตัมเป็นต้นไม้เนื่องจากสองโหนดแสดงการกำหนดค่าเหมือนกันในระดับเดียวกันของต้นไม้สามารถ "ยกเลิก" ซึ่งกันและกันเนื่องจากการรบกวนควอนตัม ไม่มีอะไรเกี่ยวข้องกับคำถามปัจจุบัน) แน่นอนการคำนวณที่กำหนดไม่ได้เป็นเช่นนั้น มี "สาขา" เดียวใน "ต้นไม้" ที่เกี่ยวข้องสำหรับการทำงานของเครื่องกำหนด ในทั้งสามกรณีที่กล่าวถึงข้างต้นสิ่งที่ทำให้การคำนวณเหล่านี้ "ยาก" สำหรับคอมพิวเตอร์ที่กำหนดขึ้นจริง ๆ แล้วไม่ใช่ว่ามีการแตกแขนงออกไป แต่เป็นเรื่องของการแตกแขนงออกเป็นจำนวนมากในต้นไม้ ยกตัวอย่างเช่นพหุนาม - เวลา nondeterministic ทัวริงเครื่องจักรซึ่งรับประกันว่าจะสร้างต้นไม้ที่ "กว้าง" (เช่นจำนวนโหนดในระดับที่แออัดมากที่สุด) ก็ถูก จำกัด ด้วยฟังก์ชันพหุนามของพหุนามขนาดสามารถป้อนโดยพหุนาม กำหนดเวลา TM (โปรดสังเกตว่าเงื่อนไข "ความกว้างพหุนาม" นี้เทียบเท่ากับการ จำกัด NTM ให้มากที่สุดโดยมีการ จำกัด จำนวนแบบลอการิทึมขอบเขตลอการิทึมโดยทั่วไป) สิ่งเดียวกันนี้เป็นจริงเมื่อเราใส่ขอบเขตความกว้างที่คล้ายกันในการคำนวณความน่าจะเป็นและควอนตัม ฉันรู้ว่าปัญหานี้ได้รับการตรวจสอบในรายละเอียดสำหรับการคำนวณแบบ nondeterministic ดูตัวอย่างเช่นการสำรวจ …

10 cc.complexity-theory  quantum-computing  randomness  derandomization  nondeterminism 

กำหนดฟังก์ชั่นแบบบูลเรามีกลุ่ม automorphism\}fffAut(f)={σ∈Sn ∣∀x,f(σ(x))=f(x)}Aut(f)={σ∈Sn ∣∀x,f(σ(x))=f(x)}Aut(f) = \{\sigma \in S_n\ \mid \forall x, f(\sigma(x)) = f(x) \} มีขอบเขตที่รู้จักในหรือไม่ มีอะไรเป็นที่รู้จักกันในปริมาณของแบบฟอร์มสำหรับกลุ่มหรือไม่?Prf(Aut(f)≠1)Prf(Aut(f)≠1)Pr_f(Aut(f) \neq 1)Prf(G≤Aut(f))Prf(G≤Aut(f))Pr_f(G \leq Aut(f))GGG

9 boolean-functions  randomness  gr.group-theory  symmetry 

นี่คือฟังก์ชันแฮชสองตระกูลบนสตริง x⃗ = ⟨x0x1x2...xม.⟩x→=⟨x0x1x2...xม.⟩\vec{x} = \langle x_0 x_1 x_2 \dots x_m \rangle: สำหรับ พีพีp นายกและ xผม∈Zพีxผม∈Zพีx_i \in \mathbb{Z_p}, ชั่วโมง1a(x⃗ ) = ∑aผมxผมmod pชั่วโมงa1(x→)=Σaผมxผมพอควรพีh^1_{a}(\vec{x}) = \sum a^i x_i \bmod pสำหรับ\ Dietzfelbinger และคณะ แสดงให้เห็นว่าใน "ฟังก์ชั่นแฮพหุนามเชื่อถือ" ที่ pa ∈Zพีa∈Zพีa \in \mathbb{Z}_p∀ x ≠ y,Pa(ชั่วโมง1a( x ) =ชั่วโมง1a( y) ) ≤ m / p∀x≠Y,Pa(ชั่วโมงa1(x)=ชั่วโมงa1(Y))≤ม./พี\forall …

9 ds.data-structures  randomness  hash-function