可见下推语言的流属性测试

在语言识别背景下，我们展示了流属性测试器相对于流算法和属性测试器（当它们不结合时）的优越性。由 Feigenbaum 等人发起，流属性测试器是一种在属性测试近似下识别语言的流算法：它必须区分属于该语言的输入与那些与之 $\varepsilon$-远的输入，同时使用尽可能小的内存（而不是限制其输入查询次数）。我们的主要结果是针对可见下推语言（VPL）的流 $\varepsilon$-属性测试器，具有单边错误，使用内存空间 $\mathrm{poly}((\log n) / \varepsilon)$。该构造依赖于基于 Alon 等人先前测试器的加权正则语言（非流）属性测试器。我们提供了该测试器在流测试 VPL 实例特殊情形下的简单应用，这些情形对于流算法和属性测试器而言已经很难。我们的主算法是一种对可见下推自动机的原始模拟的组合，该模拟使用高度较小但可能包含线性大小项的栈。在第二步中，这些项被小的 sketches 替换。这些 sketches 依赖于我们引入的 suffix-sampling（后缀采样）概念。该采样是将我们的流测试算法与属性测试器连接的关键思想。