自下而上知识编译中的中间结果下界
摘要：底层向上知识编译是一种通过迭代地连接约束条件来生成函数表示的范例，使用所谓的应用函数。当输入不能有效地编译成一种语言（通常是一类电路），因为最佳编译表示可证明相当大时，问题不是编译算法，而是选择对输入过于限制的语言。相反，本文研究CNF公式，其中存在非常小的电路，并考察它们在最一般的语言之一（即结构化可分解否定正常形式（str-DNNF））的底层向上编译的效率。我们证明，虽然输入在str-DNNF中具有常数大小的表示，但在允许合取和结构修改的一般设置中进行的任何底层向上编译都需要指数级的时间和空间，因为需要产生大规模的中间结果。这无条件地证明了底层向上编译的低效性存在于底层向上范例本身。
作者：Alexis de Colnet and Stefan Mengel
论文ID：2112.12430
分类：Computational Complexity
分类简称：cs.CC
提交时间：2021-12-24