Implikationen der Approximation der Determinante


16

Es ist bekannt, dass man die Determinante einer n×n Matrix im deterministischen -Raum genau berechnen kann . Welche Komplexitätsauswirkungen hätte die Approximation der Determinante einer reellen Matrix, von höchstens ( ) im randomisierten logarithmischen Raum, also eines Genauigkeit?1 A 1log2(n)1A11/poly

Was wäre in dieser Hinsicht die "richtige" Näherung - multiplikativ oder additiv? (siehe eine der Antworten unten).


1
Sollen sich diese auf einem Real RAM befinden?

Ich bin nicht sicher, ob ich die Frage richtig verstehe, aber wenn Sie sich auf die Genauigkeit der Arithmetik beziehen, würde ich annehmen, dass jede reelle Zahl in log (n) Bits gespeichert ist.
Lior Eldar

Antworten:


4

Mit dem Risiko, die Details der Frage nicht richtig verstanden zu haben: Um die Determinante innerhalb eines Faktors approximieren zu können, muss man entscheiden können, ob eine quadratische Matrix singulär ist oder nicht, was einige Konsequenzen haben sollte.

Zum einen wird randomisiert geprüft, ob ein allgemeiner Graph eine perfekte Übereinstimmung aufweist (über die Tutte-Matrix und Schwarz-Zippel). Ich glaube nicht, dass letzteres im randomisierten Logspace bekannt ist (zB listet der Complexity Zoo zweigliedrige perfekte Übereinstimmungen als schwer für NL auf).


Danke Magnus, obwohl ich tatsächlich über einen additiven Approximationsfehler nachgedacht habe. In diesem Fall müssen Sie nicht unterscheiden, ob eine Matrix singulär ist oder nicht. Die multilipulative Approximation kann ebenfalls von Interesse sein, daher bin ich mir im Moment nicht sicher, welche Definition die beste ist.
Lior Eldar

1
@LiorEldar, sicherlich auch mit additivem Approximationsfehler, wenn die Einträge in der Matrix ganze Zahlen sind und der additive Fehler unter 0,5 liegt, haben Sie einen narrensicheren Singularitätstest?
Peter Taylor

Hallo Peter Taylor, ich denke, dass Sie, um von einer Genauigkeit von 0,5 zu sprechen, zunächst irgendwie die größte Operator-Norm angeben müssen, die Sie unterstützen. So zum Beispiel , wenn die Eingabe hat A 1 , dann Determinante additive Fehler können sein 1 / p o l y ( n ) . Also selbst wenn Sie Ihre Eingabe Ihnen als abgeschnitten ganzen Zahlen angegeben, die jeweils l o g ( n ) Bits, dann ist die maximale Norm , für die Sie erforderlich sind , um die Determinante zu nähern wäre n n in Bezug auf ganze Zahlen, was bedeutet , dass 0,5AA11/poly(n)log(n)nn0.5Approximationsfehler ist viel kleiner als relativ zu A . 1/poly(n)A
Lior Eldar

Ich denke, das Problem mit additiven Fehlern in Bezug auf die Norm ist, dass sie nicht wirklich gut skaliert werden. Say I hatte einen Algorithmus, der eine gab Approximationsfehler relativ zu | | A | | . Nun sei A ' die n 3 × n 3 Blockdiagonalmatrix, die unter Verwendung von n 2 Kopien von A als Blöcke gebildet wird. Dann | | A | | = | | A | |1/poly(n)||A||An3×n3n2A||A||=||A||, aber , also a | | A | | / P o l y ( n ) additive Fehler für d e t ( A ' ) Skalen auf einen O ( 1 ) additive Fehler für d e t ( A ) . det(A)=det(A)n2||A||/poly(n)det(A)O(1)det(A)
Kevin Costello
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.