跳转至

Statistical Mean Estimation With Coded Relayed Observations

作者: Yan Hao Ling, Zhouhao Yang, Jonathan Scarlett
来源: IEEE Transactions on Information Theory
主题: 数理统计 / 假设检验
相关性: 5/10
机构绿灯: Nanyang Technological University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是:当统计推断的观测数据必须经过一条有噪中继信道(relay channel)传输时,估计问题的信息论极限是什么? 具体而言,样本 \(X_1,\dots,X_n\) 由"教师"(teacher/relay)观测,教师通过无记忆信道(DMC)将编码后的信息逐块发送给"学生"(student/decoder),学生基于接收到的含噪符号序列 \(\vec{Z}_1,\dots,\vec{Z}_{n/k}\) 估计均值 \(\theta^* = \mathbb{E}[X]\)。该问题处于统计估计理论与信道编码理论的交界处:前者关心如何从数据中提取参数信息,后者关心如何在噪声信道中可靠传输信息。本文聚焦于大偏差(large deviations)体制下的 minimax 误差指数(error exponent),即刻画 \(P(|\hat{\theta}_n - \theta^*| > \varepsilon)\) 的指数衰减速率。这一子方向目前处于早期发展阶段——核心问题(最优误差指数的精确刻画)仅在少数特殊设定下被解决,一般情形仍开放。

发展脉络

  • 奠基工作:1-bit 中继问题。Jog (2019) [2] 和 Huleihel, Polyanskiy, Shayevitz (2019) [1] 独立提出了"教师-学生"模型:教师观测一个经过 BSC 噪声污染的比特,通过中继转发给学生,目标是估计该比特。这两篇工作奠定了块结构(block-structured)传输策略和大偏差分析的基本框架。Jog 的贡献在于提出了"低努力"(直接转发)与"高努力"(基于当前估计的编码)策略的对比;Huleihel 等人则给出了 BSC 级联下 1-bit 中继的误差指数刻画。
  • 主要进展:最优误差指数的精确刻画。Ling & Scarlett (2021) [3] 解决了 BSC 下 1-bit 中继的最优误差指数问题,证明块结构策略达到最优,其指数为 \(D(1/2 \| \max(p,q))\)(\(p,q\) 为两级信道的噪声参数)。随后,同一团队将结果推广到一般二元输入 DMC [4]、多比特消息 [5] 和一般网络拓扑 [6]。这些工作确立了"块内计数 + 块间编码"作为最优策略的基本范式。
  • 当前 frontier:从离散估计到连续参数估计。本文是这一脉络的自然延伸:将目标从估计单个比特推广到估计连续参数(Bernoulli 分布的均值),并进一步推广到 sub-Gaussian 和重尾分布。关键的新困难在于:连续参数空间无法用有限个消息覆盖,需要设计分层量化 + 假设检验的组合策略。
  • 本文的位置:本文填补了"1-bit 中继"与"经典均值估计"之间的空白,建立了通信约束下连续参数估计的误差指数理论。其核心贡献是证明了一个令人惊讶的结果:通过精心设计的块结构协议,可以达到 \(\min\{E^{\text{src}}_\varepsilon, E^{\text{chan}}(0)\}\) 的误差指数——即源估计与信道编码两个瓶颈的较小者,且这一结果在广泛参数区间内是最优的。

子线索聚类

被引文献大致落在三条子线索上:

  1. 中继信道上的低速率通信([1], [2], [3], [4], [5], [6], [7], [8], [9]):研究单个消息(1-bit 或多 bit)经过多跳中继的最优传输策略与误差指数。核心工具是大偏差理论和块编码。这条线索是本文的直接前身。
  2. 通信约束下的分布式统计推断([17], [18], [19], [20], [21], [22]):研究每个传感器观测独立样本、通过有限比特率信道向中心节点通信时的估计/检验问题。核心关注点是通信速率与统计精度的权衡。本文与这条线索的区别在于:本文允许顺序/自适应编码(教师根据之前观测决定后续传输),而经典的分布式推断通常假设一次性(one-shot)编码。
  3. 重尾分布的均值估计([13], [29]):研究在仅有有限阶矩假设下如何构造 sub-Gaussian 浓度的均值估计量(如中位数-of-均值、截断均值等)。本文将其作为"源估计"模块嵌入块结构协议中。

这个方向在追问的核心问题

  1. 误差指数的精确刻画:给定源分布类 \(\mathcal{P}_X\)、信道 \(P_{Z|W}\) 和精度 \(\varepsilon\),最优误差指数 \(E^*(\mathcal{P}_X, P_{Z|W}, \varepsilon)\) 是什么?本文在 Bernoulli+BSC 和 sub-Gaussian+DMC 两种设定下给出了答案(至多差一个 \(\varepsilon\)-依赖的常数因子)。
  2. 因果性与自适应性的价值:教师能否通过利用之前观测到的样本(而非仅当前块)来提升误差指数?本文的协议是"块内非自适应、块间自适应"的,但完全自适应的策略能否突破 \(\min\{E^{\text{src}}, E^{\text{chan}}\}\) 的瓶颈? 这一问题在文中未解决。
  3. 计算与信息的权衡:本文的协议是多项式时间的,但指数中的常数因子是否可以通过更复杂的编码(如 polar code)来改进?文中明确表示"不追求实用性",但这一权衡值得关注。

⚠️ 作者的 framing

作者将本文定位为"1-bit 中继问题到连续参数估计的自然推广",并强调两个卖点:(i) 块结构协议达到 \(\min\{E^{\text{src}}_\varepsilon, E^{\text{chan}}(0)\}\) 的误差指数;(ii) 该结果在"中等精度"区间(\(\varepsilon\) 不太小)是最优的。作者淡化了两个竞争路线:(a) 直接传输样本(simple forwarding)——文中证明其误差指数为 \(E^{\text{src}}_{(1-2p)\varepsilon}\),严格劣于本文协议;(b) 一次性量化估计(one-shot quantization)——作者声称这在因果设定下是次优的,但未给出详细对比。值得注意的缺失:作者没有讨论"教师先估计、再传输估计值"的两阶段协议(即先在前 \(n/2\) 个样本上做高精度估计,再用剩余信道传输),这种协议在 \(\varepsilon\) 较大时可能更优。

张力

被引文献之间未见明显对立结论。但存在一个微妙的张力:Ling & Scarlett (2021) [3] 证明 1-bit 中继的最优策略是"块内计数 + 块间编码",而本文的协议在块内使用的是假设检验而非计数。这两种策略在 Bernoulli 源下是否等价?文中未讨论。此外,[17]-[22] 的分布式推断文献通常假设一次性编码,而本文允许顺序编码,这导致两者的下界技术完全不同(前者用 Fano 不等式,后者用大偏差)。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

设定:样本 \(X_1,\dots,X_n \overset{\text{i.i.d.}}{\sim} P_X\),其中 \(P_X\) 属于某个分布类 \(\mathcal{P}_X\)(如 Bernoulli 族 \(\{\text{Ber}(\theta): \theta \in [0,1]\}\) 或 sub-Gaussian 族)。目标量是均值 \(\theta^* = \mathbb{E}[X]\)。

通信模型: - 教师按块读取样本:第 \(j\) 块为 \((X_{(j-1)k+1},\dots,X_{jk})\),块长 \(k\),共 \(n/k\) 块。 - 教师在第 \(j\) 块发送信道输入符号 \(W_j\),\(W_j\) 仅依赖于前 \(j-1\) 块样本(因果性约束),通过 DMC \(P_{Z|W}\) 传输。 - 学生收到 \(Z_1,\dots,Z_{n/k}\),输出估计 \(\hat{\theta}_n\)。

关键符号: - \(E^{\text{src}}_\varepsilon(\mathcal{P}_X)\):直接观测 \(n\) 个样本时的最优误差指数(源估计瓶颈)。 - \(E^{\text{chan}}_M(P_{Z|W})\):用 \(n\) 次信道传输 \(M\) 个消息的最优误差指数(信道编码瓶颈)。 - \(E^{\text{chan}}(0) = \lim_{M\to\infty} E^{\text{chan}}_M\):零速率误差指数。 - \(D(a\|b)\):二元 KL 散度。 - \(d_B(\theta_1,\theta_2)\):Bernoulli 分布之间的 Bhattacharyya 距离。

可观测数据:学生只能看到 \(Z_1,\dots,Z_{n/k}\)(含噪信道输出),看不到原始样本 \(X_i\)。教师能看到全部样本,但只能通过信道向学生传递信息。这是一个部分可观测的序贯决策问题。

第二步:最小内核

最简特例:\(X \sim \text{Ber}(\theta^*)\),信道为 BSC(\(p\)),即 \(Z = W \oplus \text{Bern}(p)\)。

核心问题:学生需要判断 \(\theta^*\) 是否落在某个区间内。由于信道有噪,教师不能直接发送 \(\theta^*\) 的精确值,而必须编码。

关键困难:假设教师想告诉学生"\(\theta^*\) 接近 \(1/2\)"。如果教师直接发送 \(W_j = X_j\)(simple forwarding),学生收到的 \(Z_j\) 服从 \(\text{Ber}(\theta^*(1-2p)+p)\),其均值被"压缩"到 \([p, 1-p]\) 区间,误差指数从 \(D(1/2\|1/2+\varepsilon)\) 恶化到 \(D(1/2\|1/2+(1-2p)\varepsilon)\)——信道噪声直接衰减了有效精度。

本文的突破:教师不发送原始样本,而是先对每个块内的样本做计数(即 \(\alpha_j = \sum_{i=1}^k X_{(j-1)k+i}\)),然后将计数映射到信道码字。学生收到含噪码字后,对每个候选 \(\theta\) 计算一个"伪似然" \(f(\theta,\vec{Z}_j)\),最后通过成对假设检验选出最优 \(\theta\)。

为什么有效:块内计数 \(\alpha_j\) 包含了关于 \(\theta^*\) 的 \(k\) 比特信息(通过二项分布),而信道编码保证了 \(\alpha_j\) 的离散值(\(0,\dots,k\))可以以指数小的错误概率传输。关键在于:计数是充分统计量,且其分布(二项分布)的尾部衰减速率恰好是 \(D(1/2\|1/2+\varepsilon)\)——这与直接观测时的最优指数一致!

数学上证明的核心命题(Lemma 17 的简化版):

\[\mathbb{E}\left[\frac{f(\theta',\vec{Z})}{f(\theta^*,\vec{Z})}\right] \le \exp\left(-(k-o(k))\cdot \min\left\{d_B(\theta^*,\theta'), \frac{1}{2}D(1/2\|p)\right\}\right)\]

这个期望比值的上界意味着:当 \(\theta'\) 与 \(\theta^*\) 距离超过 \(2\varepsilon\) 时,伪似然比以指数速率衰减,且衰减速率由源估计瓶颈(\(d_B\))和信道编码瓶颈(\(\frac{1}{2}D(1/2\|p)\))的较小者决定。

为什么这是最小内核:整个论文的技术细节(块结构、码本构造、假设检验、union bound)都是围绕这个期望比值不等式展开的。一旦理解了"计数 + 编码 + 伪似然比"这三步,其余都是标准的大偏差分析。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在"教师观测样本、通过有噪中继信道传输给学生"的设定下,确定均值估计在大偏差体制下的最优 minimax 误差指数。
  2. 核心工具/方法:块结构协议——教师对每块样本计算计数统计量,用信道码本编码计数,学生用伪似然比进行成对假设检验。
  3. 主要结论:对 Bernoulli+BSC 和 sub-Gaussian+DMC 两种设定,达到误差指数 \(\min\{E^{\text{src}}_\varepsilon, E^{\text{chan}}(0)\}\),且在"中等精度"区间(\(\varepsilon\) 不太小)是最优的;两种自然基线(直接转发、一次性估计-转发)被证明严格次优。

关键设定与假设

  • 因果性:\(W_j\) 仅依赖于 \(X_1,\dots,X_{(j-1)k}\)(第 \(j\) 块之前的样本)。这是与"非因果"设定的关键区别——非因果设定下教师可以先看完所有样本再编码,此时 Lemma 3 给出 \(\min\{E^{\text{src}}_\varepsilon, E^{\text{chan}}_{\lceil 1/(2\varepsilon)\rceil}\}\) 的精确刻画。
  • 已知参数:\(\varepsilon\)、信道 \(P_{Z|W}\)、分布类 \(\mathcal{P}_X\) 均为师生双方已知。
  • 块长 \(k\) 的选择:\(k \to \infty\) 且 \(k = o(n)\)(如 \(k = \sqrt{n}\)),保证块间独立性近似成立。
  • sub-Gaussian 假设:\(\mathbb{E}[e^{s(X-\theta^*)}] \le e^{\sigma^2 s^2/2}\),用于控制计数统计量的尾部概率。
  • 重尾推广:通过中位数-of-均值作为"基础估计器",将 sub-Gaussian 假设放宽为有限方差(\(E^{\text{src}}_\varepsilon\) 相应变为 \(\varepsilon^2/(32\text{Var}[X])\))。

相比已有工作的变化: - 相比 1-bit 中继 [1,2,3]:目标从离散比特变为连续参数,需要处理无限假设空间的检验问题。 - 相比分布式推断 [17-22]:允许顺序编码(教师利用历史样本),且关注大偏差而非均方误差。 - 相比经典均值估计 [13]:增加了信道瓶颈 \(E^{\text{chan}}(0)\),使得最优指数是两个瓶颈的较小者。

主要结果

定理 14(Bernoulli+BSC 可达性):对任意 \(\varepsilon \in (0,1/2)\),存在协议达到误差指数

\[E^* \ge \min\left\{D\left(\frac{1}{2}\Big\|\frac{1}{2}+\varepsilon\right), \frac{1}{2}D\left(\frac{1}{2}\Big\|p\right)\right\}\]

推论 16(Bernoulli+BSC 逆否):即使允许非因果教师,任何协议的误差指数不超过

\[E^* \le \min\left\{D\left(\frac{1}{2}\Big\|\frac{1}{2}+\varepsilon\right), c_{\lceil 1/(2\varepsilon)\rceil} \cdot \frac{1}{2}D\left(\frac{1}{2}\Big\|p\right)\right\}\]
其中 \(c_M = \frac{M}{M-1}\)(偶数 \(M\))或 \(\frac{4\lfloor M/2\rfloor\lceil M/2\rceil}{M(M-1)}\)(奇数 \(M\)),且 \(c_M \to 1\) 当 \(M \to \infty\)。

定理 20(sub-Gaussian+DMC 可达性):对 sub-Gaussian 源和任意 DMC,达到误差指数

\[E^* \ge \min\left\{\frac{\varepsilon^2}{2\sigma^2}, E^{\text{chan}}(0)\right\}\]

推论 21(Gaussian 逆否):对 Gaussian 源,任何协议的误差指数不超过

\[E^* \le \min\left\{\frac{\varepsilon^2}{2\sigma^2}, c_{\lceil 1/(2\varepsilon)\rceil} E^{\text{chan}}(0)\right\}\]

关键观察: - 当 \(\varepsilon\) 较小(高精度要求)时,\(E^{\text{src}}_\varepsilon\) 较小,源估计是瓶颈,本文协议达到最优。 - 当 \(\varepsilon\) 较大(低精度要求)时,\(E^{\text{chan}}(0)\) 较小,信道编码是瓶颈,本文协议与最优至多差因子 \(c_{\lceil 1/(2\varepsilon)\rceil} \approx 1 + 2\varepsilon\)。 - 两种基线均严格次优:直接转发的指数为 \(E^{\text{src}}_{(1-2p)\varepsilon}\)(Lemma 5),由于 \(D(1/2\|1/2+\varepsilon)\) 关于 \(\varepsilon\) 严格递增,这严格小于 \(E^{\text{src}}_\varepsilon\);一次性估计-转发的指数为 \(\min\{(1-\lambda)E^{\text{src}}_{(1-\delta)\varepsilon}, \lambda E^{\text{chan}}_{\lceil 1/(2\delta\varepsilon)\rceil}\}\)(Lemma 4),由于 \(\lambda\) 和 \(\delta\) 的折中,严格小于 \(\min\{E^{\text{src}}_\varepsilon, E^{\text{chan}}(0)\}\)。

证明路线与技术技巧

整体路线(以定理 14 为例):

  1. 块结构:将 \(n\) 个样本分为 \(n/k\) 块,每块 \(k\) 个样本。教师对第 \(j\) 块计算 \(\alpha_j = \sum_{i=1}^k X_{(j-1)k+i}\),即块内 1 的个数。
  2. 码本构造:对每个可能的 \(\alpha \in \{0,\dots,k\}\),分配一个码字 \(\vec{W}_\alpha\)(长度 \(k\),满足 Corollary 12 的最小距离条件)。码本大小 \(k+1\) 是多项式的,因此可以用 \(k\) 次信道传输以指数小的错误概率区分。
  3. 伪似然函数:学生定义 \(f(\theta,\vec{Z}) = \sum_\alpha \sqrt{P(\alpha|\theta) P(\vec{Z}|\vec{W}_\alpha)}\)。这个函数是"平方根似然"的混合,其设计使得期望比值可计算。
  4. 假设检验:学生构造集合 \(S = \{\theta \in T : \prod_j f(\theta,\vec{Z}_j) > \prod_j f(\theta',\vec{Z}_j) \ \forall \theta' \text{ s.t. } |\theta-\theta'| \ge 2\varepsilon - 1/n\}\),输出 \(\hat{\theta}_n = (\min S + \max S)/2\)。
  5. 误差分析:
  6. 若 \(\theta^* \notin S\),则存在 \(\theta'\) 使得 \(\prod_j f(\theta',\vec{Z}_j) \ge \prod_j f(\theta^*,\vec{Z}_j)\),从而 \(\prod_j f(\theta',\vec{Z}_j)/f(\theta^*,\vec{Z}_j) \ge 1\)。
  7. 对每个 \(\theta'\),利用 Lemma 17 的期望比值上界 + Markov 不等式,得到 \(P(\prod_j f(\theta',\vec{Z}_j)/f(\theta^*,\vec{Z}_j) \ge 1) \le \exp(-(n-o(n))\min\{d_B(\theta^*,\theta'), \frac{1}{2}D(1/2\|p)\})\)。
  8. 对 \(T\) 中所有 \(\theta'\) 取 union bound,利用 \(|T| = O(n)\) 是多项式的,最终得到指数下界。

关键技术技巧:

  • 平方根似然比:\(f\) 的定义中,\(\sqrt{P(\alpha|\theta)}\) 和 \(\sqrt{P(\vec{Z}|\vec{W}_\alpha)}\) 的乘积形式使得期望比值可以分解为 Bhattacharyya 系数的乘积(Lemma 7 的张量化性质),这是整个证明的核心。
  • 计数统计量的充分性:\(\alpha_j\) 是 \(k\) 个 Bernoulli 样本的充分统计量,其分布 \(P(\alpha|\theta) = \binom{k}{\alpha}\theta^\alpha(1-\theta)^{k-\alpha}\) 的尾部衰减速率恰好是 \(d_B(\theta^*,\theta')\)。
  • 多项式码本 + union bound:码本大小 \(k+1\) 是多项式的,因此 union bound 只损失 \(\log k\) 因子,不影响指数。
  • 离散化网格:\(T\) 是 \([0,1]\) 上步长 \(1/(2n)\) 的网格,\(|T| = O(n)\),同样只损失多项式因子。

逆否证明的路线(推论 16): - 利用 Lemma 3 的通用逆否:任何非因果协议必须区分 \(M = \lceil 1/(2\varepsilon)\rceil\) 个可能的 \(\theta^*\) 值,因此信道必须能传输 \(M\) 个消息,其错误概率指数至多为 \(E^{\text{chan}}_M\)。 - 同时,源估计本身给出 \(E^{\text{src}}_\varepsilon\) 的逆否。 - 两者取最小即得。

真实例子与应用

本文为纯理论论文,无真实数据实验。但包含数值模拟(图 2 和图 3),对比了以下协议的误差指数: - 本文协议(Achievability):在 \(\varepsilon \in [0, 0.5]\) 范围内,指数为 \(\min\{D(1/2\|1/2+\varepsilon), \frac{1}{2}D(1/2\|p)\}\)。 - 逆否上界(Converse):指数为 \(\min\{D(1/2\|1/2+\varepsilon), c_{\lceil 1/(2\varepsilon)\rceil} \cdot \frac{1}{2}D(1/2\|p)\}\)。 - 非因果协议(Non-Causal):指数为 \(\min\{E^{\text{src}}_{(1-\delta)\varepsilon}, E^{\text{chan}}_{\lceil 1/(2\delta\varepsilon)\rceil}\}\),其中 \(\delta\) 为量化精度。 - 简单转发(Simple Forwarding):指数为 \(E^{\text{src}}_{(1-2p)\varepsilon}\)。 - 一次性估计-转发(One-Shot):指数为 \(\min\{(1-\lambda)E^{\text{src}}_{(1-\delta)\varepsilon}, \lambda E^{\text{chan}}_{\lceil 1/(2\delta\varepsilon)\rceil}\}\)。

模拟结果显示:在 \(p=0.1\)、\(\varepsilon \in [0.05, 0.4]\) 范围内,本文协议与逆否上界的差距不超过 \(1 + 2\varepsilon\) 因子,且显著优于所有基线。该模拟旨在验证理论结果,而非展示实际应用。

🔎 结论是否比证明窄

是的,存在若干"证明窄于结论"之处:

  1. 定理 14 的证明假设 \(k \to \infty\) 且 \(k = o(n)\),但结论声称对任意 \(n\) 成立。实际上,对于有限 \(n\),码本构造需要 \(k\) 足够大以保证 Corollary 12 的码本存在,但 \(k\) 太大会导致块数 \(n/k\) 太少,影响 union bound。文中未给出 \(k\) 的显式选择,仅说"令 \(k = \sqrt{n}\)"。
  2. 定理 20 的证明依赖 Assumption 22(\(X\) 是 \(1/k\) 的倍数),文中通过随机量化将一般 sub-Gaussian 分布化归到该假设,但随机量化会引入额外的方差项 \(\frac{1}{k^2}\),文中仅说"不影响最终结果"而未给出完整证明。
  3. 推论 16 的逆否仅对 Gaussian 源成立,但定理 14 的结论对 Bernoulli 源成立。对于一般 sub-Gaussian 源,逆否是否成立未证明。
  4. 文中声称"我们的协议是多项式时间的",但学生端的假设检验需要对 \(T\) 中所有 \(\theta\) 计算 \(f(\theta,\vec{Z})\),这需要 \(O(n^2 k)\) 时间(\(|T| = O(n)\) 个 \(\theta\),每个 \(\theta\) 需要 \(O(nk)\) 时间计算乘积)。虽然多项式,但指数较高,与文中"不追求实用性"的声明一致。

四、开放问题

  1. 完全自适应协议:本文的协议是"块间自适应"的(教师根据之前块的信息调整后续编码),但块内是非自适应的。能否设计块内自适应的协议,在 \(\varepsilon\) 较大时突破 \(\min\{E^{\text{src}}_\varepsilon, E^{\text{chan}}(0)\}\)?这需要新的逆否技术,因为现有的 union bound 分析依赖于块间独立性。
  2. 精确常数:本文的逆否与可达性之间存在 \(c_{\lceil 1/(2\varepsilon)\rceil} = 1 + 2\varepsilon + O(\varepsilon^2)\) 的因子差距。能否通过更精细的码本构造(如 polar code)消除这一差距?文中指出"在 \(\varepsilon \to 0\) 时差距消失",但有限 \(\varepsilon\) 下的精确刻画仍开放。
  3. 向量值扩展:文中仅讨论了标量均值估计。对于 \(d\) 维均值向量,块内计数需要 \(d\) 维直方图,码本大小变为 \(k^d\),union bound 的损失变为 \(d\log k\)。当 \(d\) 随 \(n\) 增长时,这一损失可能影响指数。高维情形下的最优误差指数完全开放。
  4. 重尾分布的精细刻画:文中通过中位数-of-均值将重尾情形化归为 sub-Gaussian,但常数因子 \(32\) 是否最优?是否存在更紧的化归?
  5. 多跳中继:本文仅考虑单跳(教师→学生)。多跳中继(教师→中继→学生)的误差指数是否等于 \(\min\{E^{\text{src}}_\varepsilon, E^{\text{chan}}_1, E^{\text{chan}}_2\}\)(两级信道零速率指数的较小者)?这需要将 [6] 的多跳结果推广到连续参数估计。

验证建议:若想确认某条是否为真 gap,建议检索 2023-2025 年关于"distributed estimation with relay"或"estimation over noisy channels"的最新论文(如 ISIT 和 IT Transactions 上的相关工作),看是否有针对上述问题的新结果。特别是问题 1(自适应协议)和问题 3(高维扩展),这两个方向近期有活跃进展。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论