To pytanie dotyczy przecięcia teorii prawdopodobieństwa i złożoności obliczeniowej. Jednym kluczowym spostrzeżeniem jest to, że niektóre rozkłady są łatwiejsze do wygenerowania niż inne. Na przykład problem
Biorąc pod uwagę liczbę , zwróć równomiernie rozłożoną liczbę z .
jest łatwy do rozwiązania. Z drugiej strony, następujący problem jest lub wydaje się być znacznie trudniejszy.
Biorąc pod uwagę liczbę , zwróć liczbę takie, że jest (liczba Gödla) ważnym dowodem długości n w arytmetyce Peano. Ponadto, jeśli liczba takich dowodów wynosi, to prawdopodobieństwo uzyskania konkretnego dowodu długości Powinien być .
To sugeruje mi, że rozkłady prawdopodobieństwa mają pojęcie złożoności obliczeniowej. Co więcej, ta złożoność jest prawdopodobnie ściśle związana z podstawowymi problemami decyzyjnymi (czy to sub-rekurencyjnymi, np, , rekurencyjne, rekurencyjnie policzalne lub gorzej).
Moje pytanie brzmi: w jaki sposób definiuje się złożoność obliczeniową rozkładów prawdopodobieństwa, szczególnie tam, gdzie leżący u podstaw problem decyzyjny nie jest rozstrzygalny. Jestem pewien, że zostało to już zbadane, ale nie jestem pewien, gdzie szukać.
źródło
Odpowiedzi:
Złożoność rozkładów prawdopodobieństwa pojawia się szczególnie w badaniu problemów dystrybucyjnych takich jak DistNP w teorii Levina w teorii średniej złożoności przypadków .
Rozkład można obliczyć P, jeśli jego funkcję gęstości skumulowanej można oszacować w czasie wielomianowym.
Rozkład jest P-samplable, jeśli możemy próbkować z nich w czasie wielomianowym.
Jeśli rozkład jest obliczalny dla P, to jest on samp-podobny. Odwrotna sytuacja nie jest prawdą, jeśli istnieją pewne funkcje jednokierunkowe.
Możesz rozszerzyć definicje na inne klasy złożoności.
Oded Goldreich ma ładne notatki wprowadzające na ten temat, które możesz chcieć sprawdzić.
źródło