Wurde die Derandomisierung leicht ungleichmäßiger Klassen, z. B. BPP / linear, untersucht?

Mit BPP / linear beziehe ich mich auf BPP-Maschinen mit linearen Ratschlägen, die das Versprechen erfüllen, wenn sie den "richtigen" Rat geben, und die Derandomisierung sollte uns beispielsweise einen P / linearen oder (SUBEXP / linearen) Algorithmus geben.

Wenn wir uneinheitliche Annahmen verwenden, sollten klassische Ergebnisse funktionieren, da wir ungleichmäßige Gegner "täuschen" können.

Unter Verwendung einheitlicher Annahmen, beispielsweise , scheint eine nicht triviale Derandomisierung jedoch eine schwierigere Frage zu sein.$EXP\neq BPP$

Gibt es Ergebnisse bezüglich dieser Art von Klassen, nicht notwendig BPP / linear?

Ich habe diese Gelehrten-Suche verwendet , und das einzige Ergebnis, das irgendwie relevant erscheint, ist das Folgende:

Lance Fortnow, Adam Klivans, Lineare Beratung für randomisierten logarithmischen Raum, ECCC TR05-042, 2005.

$\mathbf{RL} \subseteq \mathbf{L}/O(n)$