[论文解读] Optimal Error Pseudodistributions for Read-Once Branching Programs

Eshan Chattopadhyay, Jyun-Jie Liao|arXiv (Cornell University)|Feb 17, 2020

Optimization and Search Problems参考文献 25被引用 1

一句话总结

本文提出了一种简化且改进的读一次分支程序的伪随机伪分布（PRPD）构造方法，种子长度为 $O(\log n \cdot \log(nw) \cdot \log\log(nw) + \log(1/\varepsilon))$，在小误差范围内实现了最优性能。该方法在 Braverman、Cohen 和 Garg（STOC'18）的构造基础上，将种子长度减少了 $\log\log(1/\varepsilon)$ 因子，同时简化了分析过程。

ABSTRACT

In a seminal work, Nisan (Combinatorica'92) constructed a pseudorandom generator for length $n$ and width $w$ read-once branching programs with seed length $O(\log n\cdot \log(nw)+\log n\cdot\log(1/\varepsilon))$ and error $\varepsilon$. It remains a central question to reduce the seed length to $O(\log (nw/\varepsilon))$, which would prove that $\mathbf{BPL}=\mathbf{L}$. However, there has been no improvement on Nisan's construction for the case $n=w$, which is most relevant to space-bounded derandomization. Recently, in a beautiful work, Braverman, Cohen and Garg (STOC'18) introduced the notion of a pseudorandom pseudo-distribution (PRPD) and gave an explicit construction of a PRPD with seed length $ ilde{O}(\log n\cdot \log(nw)+\log(1/\varepsilon))$. A PRPD is a relaxation of a pseudorandom generator, which suffices for derandomizing $\mathbf{BPL}$ and also implies a hitting set. Unfortunately, their construction is quite involved and complicated. Hoza and Zuckerman (FOCS'18) later constructed a much simpler hitting set generator with seed length $O(\log n\cdot \log(nw)+\log(1/\varepsilon))$, but their techniques are restricted to hitting sets. In this work, we construct a PRPD with seed length $$O(\log n\cdot \log (nw)\cdot \log\log(nw)+\log(1/\varepsilon)).$$ This improves upon the construction in [BCG18] by a $O(\log\log(1/\varepsilon))$ factor, and is optimal in the small error regime. In addition, we believe our construction and analysis to be simpler than the work of Braverman, Cohen and Garg.

研究动机与目标

• 为读一次分支程序构造一种种子长度更短的伪随机伪分布（PRPD）。
• 与先前工作相比，特别是 Braverman、Cohen 和 Garg（STOC'18）的工作，简化构造与分析过程。
• 在小误差范围内实现最优种子长度，接近 $\mathbf{BPL} = \mathbf{L}$ 的猜想界限。

提出的方法

• 利用伪随机伪分布（PRPD）的框架，这是一种适用于去随机化 $\mathbf{BPL}$ 的伪随机生成器的松弛形式。
• 提出一种新颖的构造技术，减少了种子长度中对 $\log\log(nw)$ 的依赖。
• 通过结构化随机性限制，对分支程序中的误差传播进行精细化分析。
• 采用分层伪随机性方法，控制程序各层级之间的误差累积。
• 通过优化宽度 $w$、长度 $n$ 和误差 $\varepsilon$ 之间的权衡，实现更优的种子长度。
• 通过避免先前工作中使用的复杂组合分解，简化了构造过程。

实验结果

研究问题

• RQ1 能否为读一次分支程序构造出种子长度更接近猜想最优值 $O(\log(nw/\varepsilon))$ 的 PRPD？
• RQ2 是否可能在保持或改进种子长度边界的前提下，简化 PRPD 的构造？
• RQ3 种子长度中的 $\log\log(nw)$ 因子在小误差范围内的性能影响如何？
• RQ4 与先前工作相比，能否使分析过程更加透明和模块化？
• RQ5 改进后的构造是否仍能推导出命中集，如同以往的 PRPD 工作一样？

主要发现

• 本文构造的 PRPD 种子长度为 $O(\log n \cdot \log(nw) \cdot \log\log(nw) + \log(1/\varepsilon))$，优于 Braverman、Cohen 和 Garg（STOC'18）的 $\widetilde{O}(\log n \cdot \log(nw) + \log(1/\varepsilon))$ 种子长度。
• 该构造在小误差范围内实现了最优性能，即当 $\varepsilon$ 较小时，通过减少 $\log\log(1/\varepsilon)$ 因子来优化性能。
• 与 Braverman、Cohen 和 Garg 的工作相比，分析和构造过程显著简化，提供了更透明的框架。
• 该方法保持了推导命中集的能力，从而保留了 PRPD 在空间有界去随机化中的实用性。
• 该结果通过缩小与最优种子长度之间的差距，使 $\mathbf{BPL} = \mathbf{L}$ 猜想的解决更进一步。