The point-to-set principle characterizes the Hausdorff dimension of a subset $E\subseteq\R^n$ by the effective dimension of its individual points. This characterization has been used to prove several results in classical, i.e., without any computability requirements, analysis. Recent work has shown that algorithmic techniques can be fruitfully applied to Marstrand's projection theorem, a fundamental result in fractal geometry. In this paper, we introduce an extension of point-to-set principle - the notion of optimal oracles for subsets $E\subseteq\R^n$. One of the primary motivations of this definition is that, if $E$ has optimal oracles, then the conclusion of Marstrand's projection theorem holds for $E$. We show that every analytic set has optimal oracles. We also prove that if the Hausdorff and packing dimensions of $E$ agree, then $E$ has optimal oracles. Thus, the existence of optimal oracles subsume the currently known sufficient conditions for Marstrand's theorem to hold. Under certain assumptions, every set has optimal oracles. However, assuming the axiom of choice and the continuum hypothesis, we construct sets which do not have optimal oracles. This construction naturally leads to a new, algorithmic, proof of Davies theorem on projections.


翻译:点定原则将奥斯多夫子集的维度定性为 $E\ subseteq\ R ⁇ n$, 以其各点的有效维度为核心。 这种定性已被用于在古典中证明若干结果, 也就是说, 没有任何可比较性要求, 分析。 最近的工作显示, 算法技术可以有成效地应用到马斯特兰德的投影定理上, 这是分形几何制的一个根本结果 。 在本文中, 我们引入了点到定原则的延伸, 即子集 $E\ subseteqeq\ R ⁇ n$ 的概念。 这个定义的主要动机之一是, 如果美元具有最优或最优的结果, 那么Marstrandds投影的定理将维持在$。 我们显示, 每套解算法都具有最优或最优的定的定局 。 因此, 最优的或最优的定局将保持一个最优的定局 。

0
下载
关闭预览

相关内容

【Google】梯度下降,48页ppt
专知会员服务
80+阅读 · 2020年12月5日
【DeepMind】强化学习教程,83页ppt
专知会员服务
152+阅读 · 2020年8月7日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
已删除
将门创投
8+阅读 · 2019年1月30日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Arxiv
0+阅读 · 2021年3月21日
Scalable computation for Bayesian hierarchical models
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
VIP会员
相关VIP内容
【Google】梯度下降,48页ppt
专知会员服务
80+阅读 · 2020年12月5日
【DeepMind】强化学习教程,83页ppt
专知会员服务
152+阅读 · 2020年8月7日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
已删除
将门创投
8+阅读 · 2019年1月30日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Top
微信扫码咨询专知VIP会员