Effiziente Reduktionen von Matrixmultiplikation vom Worst-Case zum Durchschnittsfall
In dieser Arbeit untersuchen wir Reduktionen vom Worst-Case zum Durchschnittsfall für das Problem der Matrixmultiplikation über endlichen Körpern. Wir zeigen, dass effiziente Durchschnittsfall-Algorithmen in effiziente Worst-Case-Algorithmen umgewandelt werden können, ohne einen signifikanten Overhead in der Laufzeit zu verursachen.
Adaptiver Flip-Graph-Algorithmus für Matrixmultiplikation
Der adaptive Flip-Graph-Algorithmus kombiniert adaptive Suchen mit dem Flip-Graph-Algorithmus, um effiziente Methoden für die Matrixmultiplikation zu finden. Der Algorithmus adressiert die inhärenten Einschränkungen der Exploration und ineffizienten Suche des ursprünglichen Flip-Graph-Algorithmus, insbesondere bei großen Matrixmultiplikationen.
Adaptiver Flip-Graph-Algorithmus für Matrixmultiplikation
Der adaptive Flip-Graph-Algorithmus kombiniert adaptive Suchen mit dem Flip-Graph-Algorithmus, um effiziente Methoden für die Matrixmultiplikation zu finden. Der Algorithmus adressiert die inhärenten Einschränkungen der Exploration und ineffizienten Suche des ursprünglichen Flip-Graph-Algorithmus, insbesondere bei großen Matrixmultiplikationen.
© 2024 by Linnk AI