Streaming derandomisasi

Algoritma aliran memerlukan pengacakan untuk sebagian besar untuk melakukan apa saja nontrivial, dan karena kendala ruang kecil, perlu PRG yang menggunakan sedikit ruang. Saya tahu dua metode yang telah dikutip untuk digunakan dalam algoritma streaming sejauh ini:

• $k$ -bijaksana PRG independen seperti keluarga mandiri 4-bijaksana yang digunakan oleh Alon / Matias / Szegedy untuk masalah estimasi asli , dan generalisasi untuk metode berbasis 2-stabilitas untuk sketsa (misalnya)ℓ $F_2$$\ell_2$
• PRG Nisan yang bekerja secara umum untuk semua jenis masalah ruang kecil.

Saya khususnya tertarik pada metode yang dapat diterapkan. Secara sepintas lalu, kedua pendekatan di atas tampaknya relatif mudah diterapkan, tetapi saya ingin tahu apakah ada yang lain di luar sana.

Beberapa algoritma streaming menggunakan grafik expander. Ini adalah bentuk de-randomisasi yang agak ekstrem (pada prinsipnya tidak ada bit acak).

Dalam banyak algoritma geometri, pengambilan sampel acak dapat diganti dengan ε-nets dan ε-aproksimasi (dari beberapa ruang kisaran yang sesuai dengan dimensi VC terbatas) dan ini dapat dikelola secara efisien dengan algoritma streaming - lihat makalah saya "Pengambilan Sampel Deterministik dan Penghitungan Kisaran Menghitung dalam Geometrik Data Streams "dengan Bagchi, Chaudhari, dan Goodrich dari SoCG 2004 dan ACM Trans. Alg. 2007 .

Alat lain adalah ruang , digunakan misalnya, dalam$\epsilon$

J. Feldman, S. Muthukrishnan, A. Sidiropoulos, C. Stein, Z. Svitkina, "Tentang Mendistribusikan Komputasi Streaming Simetris", SODA 2008.