发表机构
Technion; Computational Rational Agents Laboratory（以色列理工学院; 计算理性代理实验室）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文研究序列预测算法，提出一种与ARC相关的较弱复杂度度量（基于分层拉链线程序），支持拟线性时间和多对数空间的预测算法，体现了效率与表达力之间的权衡。
AI 中文摘要
在之前的论文中，我们开始了对适应于字符串学词复杂度度量的序列预测算法的研究。特别是，我们定义了一种称为算术重复复杂度（ARC）的复杂度度量，它允许一种多项式时间的预测算法，其错误界限在复杂度上是拟线性的。在这里，我们展示了一个与ARC相关的较弱复杂度度量，它允许一种特别高效的预测算法：一种对于适当高度结构化的序列以拟线性时间和多对数空间运行的算法。该复杂度度量通过一类受限的“拉链线程序”（直线程序的一种变体）来定义，我们称之为分层拉链线。因此，我们获得了一个表达力较弱的度量，但算法更高效（与我们对ARC的结果相比），展示了可能的权衡。
英文摘要
In previous papers, we began the study of sequence prediction algorithms adapted to stringological word complexity measures. In particular, we defined a complexity measure called Arithmetic Repetition Complexity (ARC) which admits a polynomial-time prediction algorithm with a mistake bound quasilinear in the complexity. Here, we show a weaker complexity measure related to ARC that admits an especially efficient prediction algorithm: an algorithm that runs in quasilinear time and polylog space for appropriate highly-structured sequences. The complexity measure is defined via a restricted class of "zipline programs" (a variant of straight-line programs), which we call layered. We thus get a less expressive measure with a more efficient algorithm (compared to our results for ARC), demonstrating a possible tradeoff.
