Dérandomisation en streaming

Les algorithmes de flux nécessitent la randomisation pour la plupart pour ne rien faire de non trivial, et en raison de la contrainte de petit espace, ont besoin de PRG qui utilisent peu d'espace. Je connais deux méthodes qui ont été citées jusqu'à présent dans les algorithmes de flux:

• F 2 ℓ $k$ -wise GPR indépendants comme la famille indépendante 4 sage utilisé par Alon / Matias / Szegedy pour l'original problème d'estimation, et généralisations pour les méthodes basées sur 2 stabilité pour ( par exemple) esquisse$F_2$$\ell_2$
• PRG de Nisan qui fonctionne en général pour tout type de problème de petit espace.

Je suis particulièrement intéressé par les méthodes qui peuvent être implémentées. À première vue, les deux approches ci-dessus semblent relativement faciles à mettre en œuvre, mais je suis curieux de savoir s'il en existe d'autres.

Certains algorithmes de streaming utilisent des graphiques d'extension. C'est une forme quelque peu extrême de dé-randomisation (pas de bits aléatoires, en principe).

Dans de nombreux algorithmes géométriques, l'échantillonnage aléatoire peut être remplacé par des ε-réseaux et des ε-approximations (d'un espace de plage approprié avec une dimension VC finie) et ceux-ci peuvent être maintenus efficacement par un algorithme de streaming - voir mon article "Échantillonnage déterministe et comptage de plage en géométrique Data Streams "avec Bagchi, Chaudhari et Goodrich de SoCG 2004 et ACM Trans. Alg. 2007 .

Un autre outil sont les espaces biaisés par , utilisés par exemple dans$\epsilon$

J. Feldman, S. Muthukrishnan, A. Sidiropoulos, C. Stein, Z. Svitkina, «On Distributing Symmetric Streaming Computations», SODA 2008.