Testing k-submodularity
Boston University(波士顿大学)
本文研究k-子模函数的性质测试,通过分析不同距离度量下的局部见证结构,提出常数查询测试器及亚指数查询测试器,并揭示组合障碍。
2026-06-29 cs.DS
$L_p$-Testers for Bounded Derivative Properties on Product Distributions
研究点按某种乘积分布分布的超网格域上一类有界导数性质的$L_p$ -检验问题。这个类包括单调性,Lipschitz性质,$(α,β)$ -广义Lipschitz和更多的性质。以前的结果$L_p$测试$[n]^d$为这类已知的单调性和$c$ -Lipschitz性能均匀分布的域。\medskip我们的研究结果意味着测试人员给出了相同的上限任意产品分布的迄今为止已知的测试人员,使用均匀随机选择的样本从$[n]^d$,单调性和Lipschitz测试。此外,我们的测试是\emph{optimal}的一大类有界的衍生产品,其中包括$(α, β)$ -广义Lipschitz性质,在均匀分布。事实上,$[n]^d$中的每条边都可以有自己的左右Lipschitz常数。对于任意乘积分布,时间复杂度为\emph{same}.
2014-04-30 cs.DS
On testing the incentive compatibility of single-parameter allocation mechanisms
Columbia University(哥伦比亚大学)
本文首次将性质检验应用于博弈论,提出测试单参数分配机制激励相容性的算法,给出Õ(n/ε)查询上界与匹配下界,并扩展至定价函数。
2026-09-16 cs.CC cs.DS cs.GT
Adaptive Lower Bound for Testing Monotonicity on the Line
在性质测试模型中,任务是区分具有某种性质的对象和远离该性质的对象,当对象是从一个偏序集到另一个偏序集的函数时,这种性质之一是单调性。这是一个活跃的研究领域。本文研究了$ε$的查询复杂性--函数$f\colon [n]\to[r]$的单调性测试.我们所有的下限都是针对自适应双侧测试者的。* 我们证明了这个问题的一个几乎紧的下界的$r$。当为$ε= 1/2$时,边界为$Ω(\frac{\log r}{\log \log r})$。之前没有已知的关于$r$的满意下限。* 对于较小的$ε$值,我们完全用$n$来表示这个问题的查询复杂性。复杂性是$Θ(ε^{-1} \log (εn))$。除了给出下界之外,它还改进了最著名的上界。最后,我们给出了Chakrabarty和Seshadhri(RANDOM'13)在超网格$[n]^d$上检验单调性的$Ω(ε^{-1}d\log n - ε^{-1}\logε^{-1})$下界的另一种证明.
2018-05-09 cs.CC cs.DS
Directed Poincaré Inequalities and $L^1$ Monotonicity Testing of Lipschitz Functions
本文研究连续域上有向等周不等式与单调性测试的关系,证明利普希茨函数到单调性的 $L^1$ 距离可由有向梯度上界控制,并据此构造 $L^1$ 单调性测试器,同时推广到超网格上的实值函数测试。
2023-07-05 cs.DS
Testing Unateness of Real-Valued Functions
我们给出了一个不确定性测试的形式$f:[n]^d\rightarrow R$,其中$n,d\in \mathbb{N}$和$R\subseteq \mathbb{R}$与查询复杂性$O(\frac{d\log (\max(d,n))}ε)$的功能。先前已知的非线性测试器仅对域$\{0,1\}^d$上的布尔函数工作。我们证明了超网格上实值函数的每一个不确定性测试器都具有查询复杂性$Ω(\min\{d, |R|^2\})$。因此,我们的测试程序对于$\{0,1\}^d$上的实值函数几乎是最优的。我们还证明了每一个非自适应的,单边错误不确定性测试布尔函数需要$Ω(\sqrt{d}/ε)$查询。以前,没有已知的测试不确定性的下限。
2016-08-27 cs.DS
A Polynomial Lower Bound for Testing Monotonicity
我们发现,每一个算法测试$n$变量布尔函数的单调性必须有查询复杂性$\tildeΩ(n^{1/4})$。所有以前的这个问题的下限是为非自适应算法设计的,因此,一般(可能是自适应的)单调性测试的最好的以前的下限只有$Ω(\log n)$。结合Khot,Minzer和Safra(FOCS 2015)的非自适应单调性测试器的查询复杂度,我们的下限表明自适应性最多可以导致测试单调性的查询复杂度的二次降低。相比之下,我们发现,有一个指数之间的差距的查询复杂性的自适应和非自适应算法测试定期线性阈值函数(LTF)的单调性。Chen,De,Servedio和Tan(STOC 2015)最近表明,非自适应算法几乎需要$Ω(n^{1/2})$查询才能完成此任务。提出了一种新的自适应单调性测试算法,当输入为正则LTF时,该算法的查询复杂度为$O(\log n)$。
2015-11-16 cs.CC cs.DM cs.DS
Adaptive Boolean Monotonicity Testing in Total Influence Time
布尔函数$f:\{0,1\}^n \to \{0,1\}$的单调性检验问题近年来受到广泛关注。用$\varepsilon$表示邻近参数,最佳测试仪是Khot-Minzer-Safra的非自适应$\widetilde{O}(\sqrt{n}/\varepsilon^2)$测试仪(FOCS 2015)。令$I(f)$表示$f$的总影响。我们给出了一个自适应测试器,其运行时间是$I(f)poly(\varepsilon^{-1}\log n)$。
2018-01-09 cs.CC cs.DM cs.DS
Boolean function monotonicity testing requires (almost) $n^{1/2}$ queries
Columbia University(哥伦比亚大学)
本文证明布尔函数单调性测试的自适应算法查询复杂度下界为 $Ω(n^{1/2-c})$,改进了此前 $\tildeΩ(n^{1/3})$ 的结果,几乎达到已知上界。
2025-11-07 cs.CC cs.DM cs.DS
Testing $k$-Monotonicity
Columbia University(哥伦比亚大学);Purdue University(普渡大学);Courant Institute of Mathematical Sciences, New York University(纽约大学库朗数学科学研究所);Duquesne University(杜肯大学)
定义在有限偏序集整环${\cal D}$上的布尔$k$ -单调函数在${\cal D}$中的任何上升链上最多$k$次在值$0$和$1$之间交替。因此,$k$ -单调函数是经典单调函数$1$ -单调函数的自然推广.最近的兴趣在$k$ -单调函数的背景下,电路复杂性和学习理论的启发,以及单调性测试中发挥的核心作用,在属性测试的背景下,我们发起了一个系统的研究$k$ -单调函数,在属性测试模型。在此模型中,目标是区分$k$ -单调(或接近$k$ -单调)的函数和远离$k$ -单调的函数。我们的结果包括以下内容:-我们证明了测试$k$ -单调性和测试单调性之间的分离,在超立方体域$\{0,1\}^d$上,对于$k\geq 3$ ; -我们证明了测试和学习之间的分离,在$\{0,1\}^d$上,对于$k=ω(\log d)$:测试$k$ -单调性可以用$2^{O(\sqrt d \cdot \log d\cdot \log{1/\varepsilon})}$查询来执行,而学习$k$ -单调函数需要$2^{Ω(k\cdot \sqrt d\cdot{1/\varepsilon})}$查询(Blais等人(RANDOM 2015))。- 我们提出了一个容差测试的功能$f\colon[n]^d\to \{0,1\}$与$n$的复杂性无关,这使得由伯曼等人(STOC 2014)开放的问题的进展。我们…
2016-09-14 cs.DM cs.DS cs.LG
Big Data on the Rise: Testing monotonicity of distributions
概率分布的属性测试或分布测试领域旨在为与非常大的数据集的特定方面有关的问题提供快速和(最有可能)正确的答案。在这项工作中,我们考虑一个特别感兴趣的性质,单调性的分布。我们专注于单调性测试的复杂性,在不同的模型访问的分布,并获得这些新的设置,显着不同的标准抽样模型中的已知界限的结果。
2015-04-23 cs.DM cs.DS math.PR
Directed Hypercube Routing, a Generalized Lehman-Ron Theorem, and Monotonicity Testing
本文提出新证明方法以推广 Lehman-Ron 有向超立方体路径定理,并给出同时涉及顶点与边容量的流猜想,连接鲁棒有向 Talagrand 不等式及单调性测试。
2024-12-04 cs.DM cs.DS math.CO
Relative-error monotonicity testing
针对标准布尔函数属性测试模型不适用于稀疏函数的问题,提出相对误差测试新模型,给出该模型的一般性结论,并重点研究单调布尔函数相对误差测试的上下界,揭示其与标准模型的差异。
2025-09-02 cs.CC cs.DM cs.DS
Quantum Algorithm for Monotonicity Testing on the Hypercube
在这篇文章中,我们开发了一个有界误差量子算法,该算法对布尔函数$f$进行$\tilde O(n^{1/4}\varepsilon^{-1/2})$查询,接受单调函数,并拒绝$\varepsilon$ -远离单调的函数。与所有$\varepsilon = o(1)$的最佳已知随机化算法相比,这给出了超二次改进。当使用$\varepsilon = 1/\sqrt{n}$ .
2015-03-10 cs.DS quant-ph
Towards Testing Monotonicity of Distributions Over General Posets
在这项工作中,我们考虑的样本的复杂性测试的单调性分布在偏序。偏序集上的分布$p$是单调的,如果对于任何一对域元素$x$和$y$,使得$x \preceq y$,$p(x) \leq p(y)$。为了理解这个问题的样本复杂性,我们引入了一个新的属性称为bigness在有限域,其中的分布是$T$ -大,如果任何域元素的最小概率至少是$T$。我们建立了$Ω(n/\log n)$的一个下界,用于检验大小为$n$的域上分布的大性。然后,我们建立在这些下界给$Ω(n/\log{n})$下界测试单调性的匹配偏序集的大小$n$和显着改善的超立方体偏序集的下界。给出了匹配偏序集上的大性检验和单调性检验的次线性样本复杂性界。然后,我们给出了一些工具,分析上界的样本的单调性测试问题的复杂性。
2019-07-06 cs.DS math.ST stat.ML
Monotonicity Testing of High-Dimensional Distributions with Subcube Conditioning
Dartmouth College(达特茅斯学院);Columbia University(哥伦比亚大学);University of Pennsylvania(宾夕法尼亚大学);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
研究子立方体条件下高维分布的单调性测试,证明查询复杂度为Θ̃(n/ε²),并推广了KMS不等式;同时证明单调分布的均匀性测试查询复杂度为Θ̃(√n/ε²),表明单调性仅在对数因子内无助于均匀性测试。
2025-02-22 cs.CC cs.DM cs.DS
Directed Isoperimetry and Monotonicity Testing: A Dynamical Approach
本文利用有向热方程与最优输运证明有向 Poincaré 不等式,并据此为实体立方体上的 $M$-Lipschitz 函数提出次线性查询复杂度的 $L^2$ 单调性测试器。
2024-10-01 cs.DS
Property Testing on Product Distributions: Optimal Testers for Bounded Derivative Properties
性质测试的主要问题是确定给定函数是否满足某个性质,或者是否远离任何满足该性质的函数,这就需要函数之间的距离概念。最流行的概念是域上{ \em uniform}分布上的汉明距离。这种对均匀性的限制更多的是为了方便而不是必要,而且研究由更一般的分布引起的距离是很重要的。在本文中,我们在这个方向上取得了重大进展。我们给出了{\em任意乘积分布}上{\em有界导数性质}的简单最优检验.有界导数性质包括基本性质,如单调性和Lipschitz连续性。我们的结果substances几乎所有已知的结果(上界和下界)的单调性和Lipschitz测试。我们证明了有界导数性质测试和二叉搜索树(BST)之间的密切联系。我们展示了一个测试,其查询复杂性是最佳BST的每个边际的预期深度的总和。此外,我们还证明了这个深度和也是一个下界。这项工作的一个基本的技术贡献是一个{ \em最佳降维定理}的所有有界衍生物的属性,它涉及到的距离的功能从属性的距离限制的功能随机线。这样一个定理在过去的15年里甚至对于单调性都是难以捉摸的,而我们的定理是对以前最著名结果的指数改进。
2014-04-02 cs.DM cs.DS math.CO
Testing Monotonicity of Real-Valued Functions on DAGs
National Institute of Informatics(信息处理研究所)
研究有向无环图上实值函数单调性测试,提出非适应性双侧测试器的下界及算法,改进了查询复杂度。
2026-07-17 cs.DS
Streaming Algorithms for Monotonicity Testing
Northeastern University(东北大学);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Google Research(谷歌研究)
该研究针对偏序集的单调性测试问题,提出一种在√n^(1+o(1))次遍历中实现(2+ε)近似的流式算法,首次关联亚线性时间与流式最大匹配估计,改进了现有算法的遍历复杂度。
2026-09-11 cs.DS
Approximating the Distance to Monotonicity of Boolean Functions
我们设计了一个非自适应算法,甲骨文访问的功能$f: \{0,1\}^n \to \{0,1\}$,这是$α$ -远离单调,使聚$(n, 1/α)$查询,并返回一个估计,具有很高的概率,是一个$\widetilde{O}(\sqrt{n})$ -近似的距离$f$单调性。我们的算法的分析依赖于对Khot,Minzer和Safra(SIAM J. Comput.,2018年)。此外,我们排除了多$(n, 1/α)$查询非自适应算法,近似的距离单调性显着更好地表明,对于所有常数$κ> 0,$每个非自适应$n^{1/2 - κ}$ -近似算法这个问题需要$2^{n^κ}$查询。这回答了Seshadhri(Property Testing Review,2014)关于非自适应算法的问题。我们得到我们的下限证明了类似的边界擦除弹性(和宽容)的测试。我们的方法也产生了相同的下界unconstituted和作为一个$k$ -军。
2021-02-25 cs.CC cs.DM cs.DS
Optimal Unateness Testers for Real-Valued Functions: Adaptivity Helps
本文研究了函数$f:\{0,1\}^d \to \mathbb{R}.$的不确定性测试问题,给出了一个$O(\frac{d}ε \cdot \log\frac{d}ε)$ -查询非自适应测试器和一个$O(\frac{d}ε)$ -查询自适应测试器,并证明了对于固定的距离参数$ε$,这两个测试器都是最优的.以前已知的unauthorized测试工作,只有布尔函数,他们的查询复杂度有更差的依赖于自适应和非自适应的情况下的维度。此外,还不知道检验不确定性的下限。我们还推广我们的结果,以获得最佳的unprogrammable测试功能$f:[n]^d \to \mathbb{R}$。我们的研究结果表明,自适应有助于测试unlimited的实值函数的形式$\{0,1\}^d$域,更一般地说,$[n]^d$。这与函数$f:[n]^d \to \mathbb{R}$没有自适应间隙的单调性测试的情况相反。
2017-03-15 cs.DM cs.DS
Mildly Exponential Lower Bounds on Tolerant Testers for Monotonicity, Unateness, and Juntas
本文首次证明了单调性、单边性和junta函数在常数间隔容错测试中的温和指数查询下界,显著改进了此前的多项式或平凡下界。
2023-09-21 cs.CC cs.DM cs.DS
Nearly Optimal Bounds for Sample-Based Testing and Learning of $k$-Monotone Functions
CUNY, Baruch College(纽约市立大学,巴鲁克学院)
研究$k$-单调函数在均匀分布下基于样本的测试与学习,给出指数级下界$\exp(\Omega(\min\{\frac{rk}{\varepsilon}\sqrt{d},d\}))$,并推广到超立方体和$\mathbb{R}^d$上的乘积分布。
2026-06-29 cs.DS
Finding monotone patterns in sublinear time
本文从次线性算法的角度研究了求数组中单调连续性的问题。对于固定的$k \in \mathbb{N}$和$\varepsilon > 0$,我们发现,非自适应查询的复杂性,找到一个长度$k$单调子序列的$f \colon [n] \to \mathbb{R}$,假设$f$是$\varepsilon$ -远离免费的,这样的约束,是$Θ((\log n)^{\lfloor \log_2 k \rfloor})$。在我们的工作之前,由于Newman,Rabinovich,Rajendraprasad和Sohler(2017),这个问题的最佳算法使$(\log n)^{O(k^2)}$非自适应查询;以及$k = 2$情况下$Ω(\log n)$查询的唯一已知下限,其次是Ergün,Kannan,Kumar,Rubinfeld和Viswanathan(2000)和Fischer(2004)的单调性测试。
2019-10-03 cs.DM cs.DS
Testing Unate Distributions
Massachusetts Institute of Technology(麻省理工学院);University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
研究单峰分布的均匀性测试和单峰性测试,分别给出样本复杂度上下界,算法优于直接归约为单调情况的朴素方法。
2026-07-03 cs.CC cs.DS
Downsampling for Testing and Learning in Product Distributions
University of Waterloo(滑铁卢大学);National Institute of Informatics(日本国立信息学研究所)
我们研究分布自由属性测试和学习问题,其中未知的概率分布是$\mathbb{R}^d$上的乘积分布。对于许多重要的函数类,如半空间的交集、多项式阈值函数、凸集和$k$ -交替函数,已知的算法要么具有依赖于分布的支持大小的复杂性,要么被证明仅适用于乘积分布的特定示例。我们介绍了一种通用的方法,我们称之为下采样,解决这些问题。下采样对产品分布使用了“直线等周法”的概念,这进一步加强了等周法、测试和学习之间的联系。使用这种技术,我们得到新的有效的分布免费算法下的产品分布$\mathbb{R}^d$:1。函数$[n]^d \to \{0,1\}$的非自适应单侧单调性测试的更简单证明,以及改进的样本复杂性,用于测试未知产品分布的单调性,从$O(d^7)$ [Black,Chakrabarty,& Seshadhri,SODA 2020]到$\widetilde O(d^3)$。2.多项式时间不可知的学习算法的函数的一个常数数量的半空间,和常数次数多项式阈值函数。3.一个$\exp(O(d \log(dk)))$ -时间不可知学习算法,和一个$\exp(O(d \log(dk)))$ -样本容差测试器,用于$k$凸集的函数;和一个$2^{\widetilde O(d)}$基于样本的单侧凸集测试器。4.一个$\exp(\widetilde O(k \sqrt d))$ -时间不可知的学习算法的$k…
2021-11-15 cs.CC cs.DS cs.LG
New Sublinear Algorithms and Lower Bounds for LIS Estimation
估计数组中最长递增子序列的长度是一个非常重要的问题。尽管LIS估计问题的重要性和它所受到的关注,但这个问题的一些重要方面还没有完全理解。对于LIS估计,没有比测试单调性(对于自适应或非自适应算法)所暗示的明显界限更好的下限。在本文中,我们给出了第一个非平凡的下限的LIS估计的复杂性,也提供了新的算法,补充我们的下限。具体而言,对于每个常数$ε\in (0,1)$,每个输出长度$n$的阵列中LIS的长度估计值在$ε\cdot n$的附加误差内的非自适应算法都必须进行$\log^{Ω(\log (1/ε))} n)$查询。接下来,我们设计了非自适应LIS估计算法,其复杂度随着阵列中不同值$r$的数量减少而降低。我们首先提出了一个简单的算法,使$\tilde{O}(r/ε^3)$查询和近似的LIS长度与$εn$有界的附加误差。然后,我们用它来构建一个非自适应算法的查询复杂度$\tilde{O}(\sqrt{r} \cdot \text{poly}(1/λ))$,一个数组的LIS长度至少$λn$,输出一个乘法$Ω(λ)$近似LIS长度。最后,我们描述了一个非自适应擦除弹性测试排序,查询复杂性$O(\log n)$。我们的研究结果表明,非自适应容忍测试严格比非自适应擦除弹性测试的单调性的自然属性。
2021-02-11 cs.DS
Optimal Adaptive Detection of Monotone Patterns
我们研究自适应次线性算法检测阵列中的单调模式。给定固定的$2 \leq k \in \mathbb{N}$和$\varepsilon > 0$,考虑在一个数组$f \colon [n] \to \mathbb{R}$中找到一个长度- $k$递增的子序列的问题,假设$f$是$\varepsilon$ -远远没有这样的连续性。最近,它表明,上述任务的非自适应查询复杂度是$Θ((\log n)^{\lfloor \log_2 k \rfloor})$。在这项工作中,我们打破了非自适应的下限,提出了一个自适应算法,使$O(\log n)$查询这个问题。这是最优的,匹配Fischer [2004]的经典$Ω(\log n)$自适应下限用于单调性测试(对应于$k=2$情况),并且特别意味着测试最长递增子序列(LIS)是否具有恒定长度的查询复杂度为$Θ(\log n)$。
2019-11-04 cs.DM cs.DS math.CO
Testing classical properties from quantum data
University of Warwick(华威大学);Freie Universität Berlin(柏林自由大学);California Institute of Technology(加州理工学院)
本文研究了从量子数据测试布尔函数性质的量子算法,展示了量子方法在恢复经典测试速度优势方面的有效性,并揭示了量子数据与经典查询在测试任务中的不可比性。
2025-09-12 cs.CC cs.DS cs.LG
Erasure-Resilient Property Testing
属性测试器形成了一类重要的次线性算法。在标准属性测试模型中,算法通过返回所有查询域点处的函数值的oracle访问输入函数。在许多现实情况下,由于隐私问题,或者当某些值被错误或对手删除时,oracle可能无法在某些域点上显示函数值。我们发起了一项研究的属性测试仪,是有弹性的存在adversarially擦除的功能值。属性P的α擦除弹性ε测试器被给定参数α,ε in(0,1),以及对函数f的oracle访问,使得至多函数值的α分数已经被擦除。测试仪不知道某个点是否被擦除,除非它查询该点。如果有一种方法可以将值分配给擦除点,使得所得函数满足P,则测试人员必须以高概率接受。如果对于擦除点的所有值分配,所得到的函数必须在非擦除畴点的至少ε分数中改变以满足P。弹性性能测试仪用于测试大类性能。对于某些属性,可以通过将标准测试程序用作黑盒来获得可恢复擦除的测试程序。但是,还有更多具有挑战性的属性,所有已知的测试人员都依赖于查询特定的点。如果这个点被擦除,所有这些测试器都坏了。我们给出了有效的擦除弹性测试几类这样的属性,包括单调性,Lipschitz属性,凸性。最后,我们描述了一个属性,可以在标准模型中使用O(1/2)查询进行ε测试,而在擦除弹性模型中测试它需要输入大小的查询多项式数。
2016-07-20 cs.CC cs.DM cs.DS
On Distribution Testing in the Conditional Sampling Model
近年来,在条件抽样模型下的分布检验研究取得了很大的进展。在此模型中,查询指定域的子集$S$,接收的输出是从分布中提取的样本,条件是在$S$中。在本文中,我们改进了查询复杂性的界限,在这个模型中的几个经典的分布测试问题。首先,我们证明了条件抽样模型中的公差均匀性测试可以使用$\tilde{O}(\varepsilon^{-2})$查询来解决,这是最优的,并且改进了Canonne等人的$\tilde{O}(\varepsilon^{-20})$查询算法。[CRS 15]。这个界限甚至在被称为配对条件抽样模型的条件抽样模型的限制版本下也成立。接下来,我们证明了条件抽样模型中的容忍身份测试可以在$\tilde{O}(\varepsilon^{-4})$查询中解决,这是第一个已知的独立于该问题的分布的支持大小的界限。其次,我们利用我们的算法进行容忍一致性检验,得到了条件抽样模型下单调性检验的$\tilde{O}(\varepsilon^{-4})$ -查询算法,改进了Canonne [Can 15]的$\tilde{O}(\varepsilon^{-22})$ -查询算法.最后,我们研究了配对条件抽样模型下的(非容忍)身份测试,并给出了查询复杂度的$\tildeΘ(\sqrt{\log N} \cdot \varepsilon^{-2})$的一个紧界,其中分布的域具有大小$N$。这改进了[C…
2020-11-04 cs.DS math.PR math.ST
Strongly Sublinear Algorithms for Testing Pattern Freeness
本文研究排列模式自由性的性质测试问题,提出查询复杂度为 $\tilde{O}(n^{o(1)})$ 的自适应单侧误差测试算法,显著改进了此前 $O(n^{1-1/(k-1)})$ 的最佳上界。
2024-01-11 cs.DS
Optimal Testing for Properties of Distributions
MIT(麻省理工学院);Microsoft Research(微软研究院)
给定来自未知分布$p$的样本,是否有可能区分$p$是否属于某类分布$\mathcal{C}$,而$p$是否远离$\mathcal{C}$中的每个分布?这个基本问题在统计学中得到了极大的关注,主要集中在渐近分析上,最近在信息论和理论计算机科学中,重点是小样本量和计算复杂性。然而,即使对于分布的基本性质,如单调性、对数分布、单峰性、独立性和单调风险率,最佳样本复杂度也是未知的。我们提供了一个通用的方法,通过该方法,我们获得所有这些分布族的样本最佳和计算效率的测试。在我们的方法的核心是一个算法,它解决了以下问题:给定样本从一个未知的分布$p$,和一个已知的分布$q$,$p$和$q$接近$χ^2$ -距离,或远的总变化距离?我们的测试程序的最优性是通过提供与$n$和$\varepsilon$相匹配的下限来建立的。最后,我们的测试人员和我们的工作的一个重要副产品是第一个已知的计算有效的适当的学习离散对数凹和单调的风险率分布的一个必要的构建块。
2015-12-08 cs.DS cs.IT cs.LG
Transitive-Closure Spanners
给定一个有向图G =(V,E)和一个整数k ≥ 1,G的k-传递闭包图(k-TC-H)是指具有与G相同的传递闭包和直径至多为k的有向图H =(V,E_H).这些spectrum被隐式地研究在访问控制,数据结构,和属性测试,这些spectrum的属性已经重新发现了20年的跨度。这些应用中的每一个的主要目标是获得火花-TC-spectrometer。我们将这些不同的领域纳入统一的技术合作框架。我们研究了有向图的spark-TC-图的大小的可逼近性。我们完全解决了2-TC-空间的可逼近性,表明它是Theta(log n),除非P = NP。对于k>2,我们提出了一个多项式时间算法,该算法找到了一个k-TC-最优解,其大小在O((n log n)^{1-1/k})以内。当k>3时,我们的算法技术还产生了具有最知名的近似比的算法,用于研究有向空间上的问题:有向k-跨距,客户端/服务器有向k-跨距和k-直径跨距子图。对于常数k>=3,我们证明了,除非NP \subseteq DTIME(n^{polylog n}}),否则很难用2^{log^{1-eps} n}的比率来近似sparbank-TC-ε的大小.最后,我们研究了无H-子图族的spark-TC-空间的大小。结合我们的构造和我们的见解,2-TC-空间可以用于设计性质测试,我们得到了一个单调性测试与O(log^2 n /eps)查询的任何…
2008-08-13 cs.CC cs.DS