Improved Smoothed Analysis of Multiobjective Optimization
本文给出了多目标优化问题光滑分析的几个新结果。由于最坏情况分析与实际经验之间的差异,这一研究领域在过去十年中受到了广泛关注。我们考虑的问题,其中d线性和一个任意的目标函数是优化的子集S的{0,1}^n的可行的解决方案。我们改进了以前最好的已知边界的帕累托最优解的平滑的数量为O(n^{2d} phi^d),其中phi表示扰动参数。此外,我们还证明了对于任何常数c,Pareto最优解的平滑数的c阶矩的界为O((n^{2d} phi^d)^c)。这显著地改进了先前已知的边界。此外,我们解决的批评,在平滑分析的扰动破坏零结构的问题表明,帕累托最优解的平滑数量保持多项式有界,即使为保零扰动。这扩大了平滑分析所捕获的问题的类别,并且对非线性目标函数具有影响。我们的结果的一个推论是,帕累托最优解的平滑数量是多项式有界的多项式目标函数。
2015-01-15 cs.DS
Smoothed Analysis of Interior-Point Algorithms: Termination
我们进行平滑分析的终止阶段的一个通道点方法。结合Dunagan,Spielman和Teng对Renegar的邻域点算法的光滑分析,我们证明了线性规划的邻域点算法的光滑复杂性为$O (m^{3} \log (m/σ))$ .相比之下,线性规划的最坏情况复杂度的最佳已知界限是$O (m^{3} L)$,其中$L$可以与$m$一样大。我们包括一个介绍平滑分析和证明技术,已在平滑分析有用的教程。
2003-01-21 cs.DS
Algorithms with Smoothed Polynomial-Time Complexity for Deterministic Discounted-sum and Mean-payoff Games
Institute of Science and Technology Austria (ISTA)(奥地利科学技术研究所)
该研究针对确定性贴现和与均值收益博弈,提出策略迭代算法变体的新分析技术,证明其在一般博弈图上具备平滑多项式复杂度,解决了这类博弈平滑复杂度的开放问题。
2026-10-14 cs.DS cs.GT
Improved Smoothed Analysis of the k-Means Method
k-means方法是一种广泛使用的聚类算法。其显著特点之一是实践速度快。然而,其最坏情况下的运行时间是指数级的,在实际和理论性能之间留下了差距。Arthur和Vassilvitskii(FOCS 2006)旨在缩小这一差距,他们证明了$\poly(n^k, σ^{-1})$对k均值方法平滑运行时间的限制,其中n是数据点的数量,$σ$是高斯扰动的标准差。这个界限,虽然比最坏情况下的界限,仍然是远远大于在实践中观察到的运行时间。我们改进的平滑分析的k-means方法,显示两个上界的预期运行时间的k-means。首先,我们证明了期望的运行时间是有界的多项式在$n^{\sqrt k}$和$σ^{-1}$。其次,我们证明了一个上界的$k^{kd} \cdot \poly(n, σ^{-1})$,其中d是数据空间的维数。多项式是独立的k和d,我们得到一个多项式界的预期运行时间为$k, d \in O(\sqrt{\log n/\log \log n})$。最后,我们表明,k-均值运行在平滑的多项式时间的一维实例。
2008-09-10 cs.DS
Smoothed Analysis in Unsupervised Learning via Decoupling
University of Utah(犹他大学);Northwestern University(西北大学)
平滑分析是克服无监督学习和高维数据分析中最坏情况棘手性的强大范例。虽然多项式时间平滑的分析保证已经获得了最坏情况下棘手的问题,如张量分解和学习混合高斯,这样的保证已经很难获得其他几个重要的问题,在无监督学习。分析算法的一个核心技术挑战是获得具有相关项的随机矩阵集合的最小奇异值的下界,这些最小奇异值由一些基本随机变量的低次多项式给出。在这项工作中,我们解决这一挑战,通过获得高置信下限的最小奇异值的新类别的结构化随机矩阵合奏的上述种类。然后,我们使用这些界限设计算法的多项式时间平滑的分析保证以下三个重要问题的无监督学习:1。鲁棒子空间恢复,当d维子空间$T \subset \mathbb{R}^n$中的内点的分数$α$对于任何常数整数$\ell>0$至少为$α> (d/n)^\ell$时。这与使用$α< d/n$时已知的最差情况棘手性以及之前需要$α> d/n$的平滑分析结果形成对比(Hardt和Moitra,2013)。2.学习过完备隐马尔可夫模型,其中状态空间的大小是观测值维度上的任何多项式。这给出了在平滑分析模型中学习过完备Hacker的第一个多项式时间保证。3.高阶张量分解,其中我们推广了所谓的FOOBI算法的Cardoso找到阶$\ell$秩一张量的子空间。这使我们能够获得多项式强大的分解算法的$2\ell$ '阶张量秩$O(n^{\ell})$。
2019-04-24 cs.DS cs.LG stat.ML
Upper and Lower Bounds on the Smoothed Complexity of the Simplex Method
CNRS / LIMOS(法国国家科学研究中心/ LIMOS);University of Washington(华盛顿大学);Microsoft Research(微软研究院)
本文通过新的影子界分析改进单纯形法平滑复杂度上界,并首次证明其高概率非平凡下界,辅以二维多边形近紧上界与数值实验。
2025-10-14 cs.DS
Smoothed Analysis of the Successive Shortest Path Algorithm
最小费用流问题是组合优化中的一个经典问题,有着广泛的应用。在过去的几十年里,已经开发了几个伪多项式,多项式和强多项式算法,似乎问题和算法都很好地理解。然而,在实证研究中观察到的一些算法的运行时间与通过最坏情况分析获得的运行时间相比,不仅在数量级上,而且在相互比较时的排名上。例如,具有指数最坏情况运行时间的连续最短路径(SSP)算法似乎优于强多项式最小平均循环消除算法。为了解释这种差异,我们研究了SSP算法的平滑分析的框架,并建立了一个边界的$O(mnϕ)$的迭代次数,这意味着一个平滑的运行时间的$O(mnϕ(m + n\log n))$,其中$n$和$m$分别表示节点和边缘的数量,和$ϕ$是一个衡量的随机噪声量。这表明SSP算法的最差情况实例不稳健,在实践中不太可能遇到。此外,我们证明了一个光滑的$Ω(m ϕ\min\{n, ϕ\})$的SSP算法的迭代次数的下限,表明上界不能提高$ϕ= Ω(n)$。
2015-09-15 cs.DS
Improved Smoothed Analysis of 2-Opt for the Euclidean TSP
针对欧几里得TSP的2-opt启发式,填补了高斯扰动平滑分析在低维(d≤3)的空白,并改进了所有现有平滑复杂度界。
2023-10-13 cs.CC cs.DS math.CO
Beyond Hirsch Conjecture: walks on random polytopes and smoothed complexity of the simplex method
算法的平滑分析关注的是在任意输入的轻微随机扰动下算法的期望运行时间。Spielman和Teng证明了阴影顶点单纯形法具有多项式光滑复杂度。在任意线性规划的轻微随机扰动上,单纯形法在具有约束数n、变量数d和扰动的逆标准差1/sigma的期望长度多项式的多面体上行走后找到解。我们证明了单纯形法中的行走长度实际上是约束数n的多对数。Spielman-Teng的步行界是O(n^{86} d^{55} sigma^{-30}),直到对数因子。时间复杂度为O(log^7 n(d^9 + d^3 \s^{-4}))。这表明关于多面体上可行走长度的紧Hirsch猜想n-d不是光滑线性规划的限制。随机扰动在顶点之间创建短路径。我们提出了一个随机化的第一阶段解决任意线性规划,这是独立的利益。我们不是寻找一个可行集的顶点,而是随机添加一个顶点到可行集。这并不影响常概率线性规划的求解。这克服了单纯形法的平滑分析的主要困难之一-现在可以从平滑线性规划中统计解耦行走。这产生了一个更好的减少平滑的复杂性的几何量-随机多面体的平面部分的大小。我们还改进了已知的估计,大小,表明它是多对数的顶点数。
2008-04-30 cs.DS math.FA
Smoothed Analysis of Interior-Point Algorithms: Condition Number
该研究证明了内点算法中Renegar条件数对数的平滑复杂度上界为O(log(n/sigma)),为算法性能分析提供了理论保证。
2003-10-17 cs.DS cs.NA math.NA
Algorithms and Certificates for Boolean CSP Refutation: "Smoothed is no harder than Random"
本文提出一种算法,强反驳所有布尔CSP的平滑实例,其运行时间与约束数量的权衡匹配随机情形,并利用超图偶覆盖解决了Feige 2008猜想,证明低于谱阈值时存在多项式大小反驳见证。
2023-09-03 cs.CC cs.DS
Smoothed Score Queries and the Complexity of Sampling
Department of Statistics, University of Illinois Urbana–Champaign(伊利诺伊大学厄巴纳-香槟分校统计学系)
本文研究利用梯度信息从高维高斯分布中采样的查询复杂度,通过引入平滑得分查询(即高斯卷积密度的对数梯度)将条件数依赖从√κ降低到对数级别,并给出近乎匹配的上下界。
2026-11-10 cs.DS cs.IT cs.LG
The smoothed complexity of Frank-Wolfe methods via conditioning of random matrices and polytopes
Frank-Wolfe方法在多面体优化中很受欢迎。其中一个原因是因为他们不需要投影到多面体上,而只需要在其上进行线性优化。为了理解其复杂性,Lacoste-Julien和Jaggi为多面体引入了一个条件数,并证明了该方法的几种变体的线性收敛性。在最坏的情况下(当条件数是指数时),实际运行时间仍然可以是指数。我们研究了条件数的光滑复杂性,即输入多面体的小随机扰动的条件数,并表明它是多项式的任何单形和指数的一般多面体。我们的研究结果也适用于其他条件的措施,已提出的分析弗兰克-沃尔夫方法的多面体:顶点面距离(贝克和Shtern)和面部距离(Peña和Rodríguez)。我们的论点多面体是一个完善的论点,我们开发研究条件随机矩阵。基本论点表明,对于$c>1$,具有$n \geq cd$的$d$ -by-$n$随机高斯矩阵具有最小奇异值的$d$ -by- $d$子矩阵,该最小奇异值以高概率呈指数小。这对张量分解的鲁棒唯一性结果有影响。
2020-11-25 cs.DS math.OC math.PR
Statistical Query Lower Bounds for Smoothed Agnostic Learning
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of California, San Diego(加州大学圣地亚哥分校)
本文提出光滑鲁棒学习中半空间学习的统计查询下界,证明$ L_1 $-多项式回归的上界接近最优。
2026-02-24 cs.DS cs.LG stat.ML
Smoothed Analysis of Tensor Decompositions
Google Research NYC(谷歌纽约研究中心);Princeton University(普林斯顿大学);Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
低秩张量分解是学习生成模型的一个强大工具,唯一性结果使它们比矩阵分解方法具有显着优势。然而,张量提出了重大的算法挑战和张量模拟的矩阵代数工具包是不太可能存在的,因为硬度的结果。在过完备情况下(秩超过维数)的有效分解特别具有挑战性。我们引入了一个平滑的分析模型来研究这些问题,并开发了一个高效的算法,张量分解的高度过完备的情况下(秩多项式的尺寸)。在这种情况下,我们表明,我们的算法是强大的逆多项式错误-一个重要的属性,因为我们只允许一个多项式数量的样本在学习中的应用。虽然算法是已知的精确张量分解在一些过完备的设置,我们的主要贡献是在平滑分析的框架中分析其稳定性。我们的主要技术贡献是证明了扰动向量的张量积在鲁棒意义上是线性无关的(即相关矩阵具有至少是逆多项式的奇异值)。这一关键结果为将张量方法应用于平滑设置中的学习问题铺平了道路。特别是,我们使用它来获得学习多视图模型和轴对齐高斯混合的结果,其中有更多的“组件”比尺寸。这里的假设是,该模型是不对立的选择,形式化的扰动模型参数。我们相信这是一个有吸引力的方式来分析学习问题的现实情况,因为这个框架使我们能够克服许多通常使用张量方法的限制。
2014-01-20 cs.DS cs.LG stat.ML
A Smoothed FPTAS for Equilibria in Congestion Games
本文在独立噪声扰动的平滑分析下证明 $(1+\varepsilon)$-改进动态可强多项式时间收敛到近似 PNE,并将该 FPTAS 推广到多类拥塞博弈。
2024-05-19 cs.CC cs.DS cs.GT
Lower Bounds for the Smoothed Number of Pareto optimal Solutions
在2009年,Roeglin和Teng证明了线性多目标优化问题的Pareto最优解的平滑数在变量数$n$和半随机输入模型的最大密度$ϕ$中是多项式有界的。然而,它们的界不是很实用,因为指数在目标函数的数量$d+1$中呈指数增长。在最近的一项突破中,Moitra和O 'Donnell将这一结合显著改进为$O(n^{2d} ϕ^{d(d+1)/2})$。Moitra和O'Donnell在他们的论文中提出的一个“有趣的问题”是,这个界限可以进一步改进多少。前面的下界不排除多项式上界的可能性,其次数不依赖于$d$。在本文中,我们解决了这个问题,通过构造一类实例,$Ω((n ϕ)^{(d-\log{d}) \cdot (1-Θ{1/ϕ})})$ Pareto最优解的期望。对于双准则的情况下,我们提出了一个更高的下限的$Ω(n^2 ϕ^{1 - Θ{1/ϕ}})$,这几乎匹配已知的上限的$O(n^2 ϕ)$。
2010-12-06 cs.DS
Polynomial-time trace reconstruction in the smoothed complexity model
在\emph{trace reconstruction problem}中,通过概率\emph{deletion channel}发送未知源串$x \in \{0,1\}^n$,概率\emph{deletion channel}以概率$δ$独立地删除每个比特,并连接幸存的比特,产生$x$的\emph{trace}。问题是重建$x$给定独立的痕迹。近年来,在$x$可能是$\{0,1\}^n$ \cite{DOS17,NazarovPeres17,HHP18,HL18,Chase19}中的任意字符串的最坏情况设置和从$\{0,1\}^n$ \cite{PeresZhai17,HPP18,HL18,Chase19}均匀随机抽取$x$的平均情况设置中,这个问题都受到了广泛关注。本文研究了在\emph{smoothed analysis}环境下的迹重构问题,即从$\{0,1\}^n$中任意选取一个“最坏情况”的字符串$x^{\worst}$,然后用概率为$σ$的均匀随机位独立地替换每个坐标,形成$x^{\worst}$的扰动版本$\bx$.我们的主要结果是一个算法,该算法对任意常数扰动率$0<σ< 1$和任意常数删除率$0 < δ< 1$,使用$\poly(n)$的运行时间和迹,并成功地以高概率重建串$\bx$。这与问题的最坏情况版本形成对比,对于最坏情况版本,$\text{exp}(O(n…
2020-08-27 cs.DS
Smoothed analysis of the condition number under low-rank perturbations
令$M$是秩为$n-k$的任意$n$乘$n$矩阵。利用$k$随机高斯矩阵研究了$M$加一个\emph{low-rank}扰动$UV^T$的条件数,其中$U, V$是$n$.在一些必要的假设下,证明了$M+UV^T$不可能有大的条件数.这种扰动相对于充分研究的密集高斯扰动(其中每个条目被独立地扰动)的主要优点是存储$U,V$的$O(nk)$成本以及用于执行矩阵-向量乘法$(M+UV^T)x$的$O(nk)$时间复杂度的增加。这改善了密集扰动所需的$Ω(n^2)$空间和时间复杂度的增加,如果$M$最初是稀疏的,则这是特别繁重的。我们的研究结果还扩展到$U$和$V$的排名大于$k$和对称和复杂的设置的情况下。我们也给出了一个线性系统求解的应用程序,并进行了一些数值实验。最后,在平滑的分析框架中研究的其他问题中应用低秩噪声的障碍进行了讨论。
2021-07-13 cs.DS math.PR
Smoothed Analysis of Belief Propagation for Minimum-Cost Flow and Matching
置信传播(BP)是一种用于贝叶斯网络和马尔可夫随机场等图形模型中统计推断的消息传递启发式算法。BP用于计算边缘分布或最大似然分配,并且在许多领域中具有应用,包括机器学习、图像处理和计算机视觉。然而,理论上对BP算法性能的理解并不令人满意。近年来,BP算法被应用于组合优化问题。它已被证明,BP可以用来计算最大重量匹配和最小费用流的情况下,一个唯一的最佳。为此所需的迭代次数是伪多项式,因此BP通常不是有效的。我们研究的平滑分析的框架下的信念传播,并证明了高概率的迭代次数需要计算最大权重匹配和最小成本流是由一个多项式的边界,如果随机扰动的边缘的权重/成本。为了证明我们的上界,我们使用Beier和Vöcking的隔离引理(SIAM J. Comput. 2006)匹配和推广Gamarnik,Shah和Wei(运筹学,2012)的最小成本流的隔离引理。我们还证明了BP需要收敛的迭代次数几乎匹配的尾下界。
2012-11-14 cs.DS
Smoothed Analysis of Pareto Curves in Multiobjective Optimization
在一个多目标优化问题中,如果没有一个准则可以在不恶化至少一个其他准则的情况下得到改进,则该解称为帕累托最优解。计算所有帕累托最优解的集合是多目标优化中的一项常见任务,以过滤掉不合理的权衡。对于大多数问题,帕累托最优解的数量只会随着应用程序中的输入大小而适度增加。然而,几乎每个多目标优化问题都存在指数数量的帕累托最优解的最坏情况。为了解释这种差异,我们分析了一个大类的多目标优化问题的平滑分析模型,并证明了一个多项式约束的帕累托最优解的预期数量。我们还提出了算法计算不同的优化问题的Pareto最优解集,并讨论了优化问题的平滑复杂性的相关结果。
2020-10-21 cs.DS
Smoothed Analysis of Inconsistent A*
本文首次对不一致启发式A*算法进行平滑分析,证明在轻微随机扰动下其期望时间复杂度为多项式级,弥合了理论与实践之间的差距。
2026-09-22 cs.AI cs.DS
Smoothed Analysis of Learning from Positive Samples
Yale University(耶鲁大学);Stanford University(斯坦福大学)
本文通过平滑分析方法,证明了所有VC类在平滑模型下可学习,并提出高效算法以处理截断估计和广泛类别的截断检测问题。
2026-05-12 cs.DS cs.LG math.ST
Smoothed analysis for graph isomorphism
Institute of Science and Technology Austria (ISTA)(奥地利科学技术研究所);University of Manitoba(曼尼托巴大学)
本研究通过平滑分析改进图同构的经典定理,证明随机扰动后朴素细化算法高效,并完成随机图规范标记的多项式时间证明,修正自同构群预测。
2025-10-16 cs.CC cs.DS math.CO
Smoothed Analysis of the Art Gallery Problem
在美术馆问题中,我们给出了一个多边形$P\subset [0,L]^2$和一个数$k$,多边形的顶点是$n$。我们想找到一个大小为$k$的保护集$G$,这样$P$中的每个点都能被$G$中的一个保护所看到。形式上,如果线段$pg$完全包含在多边形$P$内,则防护$g$看到点$p \in P$。历史和实践结果表明,非理性坐标是一种“非常罕见”的现象。我们给出了一个理论解释。在最坏情况分析之后,平滑分析获得了普及,以解释算法的实际性能,即使它们在最坏情况下表现不佳。其思想是研究最坏输入的小扰动下的预期性能。性能是衡量的幅度$δ$的扰动和输入大小。我们考虑四种不同的扰动模型。我们表明,预期的比特数来描述每个保护的最佳保护位置是对数的输入和扰动的幅度。这从理论的角度表明,具有小比特复杂度的理性保护是典型的。注意,描述保护位置是显示NP-成员的瓶颈。我们的结果的意义是,代数方法是不需要解决的画廊问题在典型的情况下。这是第一次使用平滑分析法分析$\exists\mathbb{R}$完备问题。
2018-11-03 cs.CG cs.DM cs.DS
Learning Polynomial Transformations
UC Berkeley(加州大学伯克利分校);Microsoft Research(微软研究院);CMU(卡内基梅隆大学);Duke University(杜克大学)
我们考虑学习高维高斯多项式变换的问题。给定$p(x)$形式的样本,其中$x\sim N(0, \mathrm{Id}_r)$是隐藏的,而$p: \mathbb{R}^r \to \mathbb{R}^d$是一个函数,其中每个输出坐标都是低次多项式,目标是学习$p(x)$上的分布。这个问题本身很自然,但也是学习深度生成模型的一个重要特例,即在具有多项式激活的双层神经网络下的高斯前推。理解这种生成模型的可学习性对于理解它们在实践中表现如此出色的原因至关重要。我们的第一个主要结果是一个多项式时间算法学习二次变换的高斯在平滑设置。我们的第二个主要结果是一个多项式时间算法学习高斯常数阶多项式变换在平滑设置,当相关的张量的秩是小的。事实上,我们的结果扩展到任何旋转不变的输入分布,而不仅仅是高斯分布。这些是在具有多个层的神经网络下学习前推的第一个端到端保证。在此过程中,我们还给出了第一个多项式时间算法,具有张量环分解的可证明保证,张量环分解是张量分解的一种流行推广,在实践中用于隐式存储大张量。
2022-04-08 cs.DS cs.LG stat.ML
Smoothed Analysis of the 2-Opt Heuristic for the TSP under Gaussian Noise
本文研究了高斯噪声下TSP的2-Opt启发式算法,证明了平滑运行时间关于n和1/sigma的多项式界限及O(log(1/sigma))的近似比,并通过在同一输入上同时界定全局与局部最优解改进了现有分析。
2023-08-01 cs.DS
Smoothed Analysis of the Minimum-Mean Cycle Canceling Algorithm and the Network Simplex Algorithm
最小费用流(MCF)问题是一个基本的优化问题,有许多应用,似乎是很好理解。在过去的半个世纪里,已经开发了许多算法来解决MCF问题,这些算法在运行时间上有不同的最坏情况界限。然而,这些最坏情况的界限并不总是一个很好的指示算法的性能在实践中。网络单纯形(NS)算法在某些情况下需要指数数量的迭代,但它被认为是实践中最好的算法,在实验研究中表现最好。另一方面,最小平均循环消除(MMCC)算法是强多项式的,但在实验研究中表现不佳。为了解释这些差异在实践中的表现,我们应用平滑分析的框架。我们展示了MMCC算法的迭代次数的$O(mn^2\log(n)\log(ϕ))$的上界。这里,$n$是节点的数量,$m$是边的数量,而$ϕ$是限制边成本被扰动的程度的参数。我们还显示了一个下界的$Ω(m\log(ϕ))$的MMCC算法的迭代次数,可以加强$Ω(mn)$时,$ϕ=Θ(n^2)$。对于NS算法的迭代次数,我们给出了$Ω(m \cdot \min \{ n, ϕ\} \cdot ϕ)$的平滑下界。
2015-04-30 cs.DS
Beyond Smoothed Analysis: Analyzing the Simplex Method by the Book
Bowdoin College(鲍登学院);LIMOS, CNRS, University Clermont Auvergne(克莱蒙奥弗涅大学,法国国家科学研究中心,LIMOS实验室);Illinois State University(伊利诺伊州立大学)
提出“书本分析”框架,通过建模算法本身及其输入数据,证明在合理假设下单纯形法具有多项式运行时间,弥补了平滑分析的不足。
2026-06-29 cs.DS math.OC
Polynomial-time Tensor Decompositions with Sum-of-Squares
Princeton University(普林斯顿大学);Cornell University(康奈尔大学)
我们给出了新的算法的基础上的平方和方法的张量分解。我们的研究结果提高了最知名的运行时间从准多项式的几个问题,包括分解随机过完备3-张量和学习过完备字典恒定的相对稀疏。我们还给出了第一个鲁棒分析分解过完备4-张量的平滑分析模型。我们的分析的一个关键组成部分是建立小的光谱间隙的矩量矩阵来自解决方案的平方和松弛。为了使这种分析,我们增加了最大熵约束的光谱模拟的平方和松弛。
2016-10-06 cs.DS cs.LG
Optimal Decentralized Smoothed Online Convex Optimization
Georgia Institute of Technology(佐治亚理工学院);California Institute of Technology(加州理工学院)
针对多智能体平滑在线凸优化问题,提出了首个可证明渐近最优的去中心化算法ACORD,仅依赖局部信息即可实现低计算复杂度,且性能优于现有LPC算法。
2025-01-30 cs.DS cs.LG math.OC
Optimal Smoothed Analysis of the Simplex Method
Technical University of Munich(慕尼黑工业大学)
本文提出一种单纯形法,其平滑复杂度上界为 O(σ^{-1/2} d^{11/4} log(n)^{7/4}) 次枢轴步骤,并证明匹配的下界,表明该算法在噪声依赖上达到最优。
2026-05-23 cs.DS
Complexity of multivariate polynomial evaluation
本文给出了一种计算有限域上多元多项式的方法,并讨论了它的乘法复杂性。
2011-06-14 cs.CR cs.DS math.AC
Smoothed Analysis of Dynamic Graph Algorithms
本文用 Spielman–Teng 平滑分析框架刻画动态图算法在对抗输入与随机输入之间的复杂度,扩展若干不可能性结果并给出三类复杂度递增的平滑输入模型。
2025-02-18 cs.DS
On the bit-complexity of sparse polynomial multiplication
本文给出了稀疏表示下两个多元多项式乘积的快速算法。我们的算法的比特复杂性进行了详细研究,为各种类型的系数,我们得出新的复杂性结果的幂级数乘法在许多变量。我们的算法在Mathemagix软件中实现并免费提供。我们表明,他们的理论成本很好地反映在实践中。
2009-01-26 cs.DS cs.MS