JSAIT — Vol 3 Issue 3 · 2026-07-07¶

共 12 篇 · IEEE Journal on Selected Areas in Information Theory
目录核对 ⚠️ 疑似漏 2 篇（对照 OpenAlex 16 篇）：10.1109/jsait.2022.3222479、10.1109/jsait.2023.3242438

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期《JSAIT》第3卷第3期的12篇论文大致可归为三条主线：逆问题与深度学习理论、高维压缩感知与生成先验、以及统计计算与算法设计。此外，还有若干篇通信编码和天文统计方向的独立工作。逆问题与深度学习理论主线涵盖多篇综述和方法论文，包括“Theoretical Perspectives on Deep Learning Methods in Inverse Problems”对生成先验、未训练先验和展开算法的理论梳理，“Deep Model-Based Architectures for Inverse Problems Under Mismatched Priors”分析先验不匹配下的误差界，以及“TurbuGAN”将对抗性分布匹配用于多帧盲反卷积。高维压缩感知与生成先验主线有两篇：“Sparsity-Free Compressed Sensing With Applications to Generative Priors”在非稀疏假设下用稳定秩替代独立测量数，“A Coherence Parameter Characterizing Generative Compressed Sensing With Fourier Measurements”为子采样傅里叶测量建立RIP保证。统计计算与算法设计主线包括“Gradient-Based Learning of Discrete Structured Measurement Operators for Signal Recovery”用Gumbel重参数化优化离散测量矩阵，“Denoising Generalized Expectation-Consistent Approximation for MR Image Recovery”结合GEC与深度学习去噪器，以及“Invertible Neural Networks for Graph Prediction”用Wasserstein正则化实现可逆图网络。

在逆问题与深度学习理论主线中，“Theoretical Perspectives on Deep Learning Methods in Inverse Problems”系统综述了生成先验、未训练先验和展开算法的理论进展，涵盖样本复杂度、隐式正则化与收敛性分析，为理解深度学习在逆问题中的理论基础提供了全景式参考。“Deep Model-Based Architectures for Inverse Problems Under Mismatched Priors”则聚焦于先验不匹配这一实际痛点，推导了PnP、DU和DEQ等框架在分布偏移下的误差上界，为算法鲁棒性提供了理论工具。高维压缩感知与生成先验主线中，“Sparsity-Free Compressed Sensing With Applications to Generative Priors”的关键贡献在于用矩阵稳定秩替代独立次高斯测量数，允许测量矩阵有重尾或相关结构，并将结果应用于生成神经网络先验，拓展了经典压缩感知的适用范围。“A Coherence Parameter Characterizing Generative Compressed Sensing With Fourier Measurements”则引入相干性参数刻画网络像集与测量矩阵的交互，首次为子采样等距测量建立了RIP保证，解决了该方向的一个开放问题。统计计算与算法设计主线中，“Gradient-Based Learning of Discrete Structured Measurement Operators for Signal Recovery”展示了如何将Gumbel重参数化与算法展开结合，实现离散测量矩阵的可微优化，为受约束的测量设计提供了新范式。“Denoising Generalized Expectation-Consistent Approximation for MR Image Recovery”利用GEC近似预测迭代误差统计，并据此设计深度去噪器，在MRI重建中优于现有PnP和AMP方法，体现了统计计算与深度学习的融合。

与因果推断、半参数效率或高维统计方向最贴的论文包括：“Sparsity-Free Compressed Sensing With Applications to Generative Priors”和“A Coherence Parameter Characterizing Generative Compressed Sensing With Fourier Measurements”涉及高维信号恢复与随机矩阵理论，适合关注高维统计的研究者；“Denoising Generalized Expectation-Consistent Approximation for MR Image Recovery”和“Gradient-Based Learning of Discrete Structured Measurement Operators for Signal Recovery”展示了统计计算中的迭代算法与深度学习结合，对算法设计有启发；而“Theoretical Perspectives on Deep Learning Methods in Inverse Problems”和“Deep Model-Based Architectures for Inverse Problems Under Mismatched Priors”提供了逆问题理论框架，可间接关联到因果推断中的反事实推理与结构学习。

高维统计 / 随机矩阵 (high_dim_rmt, 2 篇)¶

1. 10.1109/jsait.2022.3219807 — Sparsity-Free Compressed Sensing With Applications to Generative Priors¶

作者: Alireza Naderi, Yaniv Plan
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: University of British Columbia
分类: vol 3 · issue 3 · pp 493-501
相关性 6/10 · novelty: new_theory
摘要: 本文研究从低维带噪线性测量 y = BA x + e 中重建高维信号 x 的问题，其中 B 是任意固定矩阵，A 是次高斯随机矩阵，允许测量矩阵有重尾、相关行/列和大奇异值动态范围。信号结构由非凸锥 T 或凸函数 f(·) 诱导，不依赖稀疏性假设。核心理论结果是：当 B 的稳定秩（stable rank）超过结构集的有效维度（至多常数因子）时，近似经验风险最小化器能鲁棒恢复信号，且允许模型不匹配（信号不完全符合结构）。该结果将经典压缩感知中独立次高斯测量数的角色替换为稳定秩，并应用于生成先验（Generative Neural Network, ReLU 激活）场景；当 GNN 最后一层权重随机时，理论允许部分傅里叶测量矩阵，为压缩感知 MRI 提供了理论第一步。证明依赖于 Jeong et al. (2020) 的随机矩阵理论新结果。对您而言，该文展示了随机矩阵理论（稳定秩）如何刻画非稀疏结构下的有效测量数，与您的高维统计和 RMT 兴趣直接相关。
关键技术: stable rank, sub-gaussian random matrix, approximate empirical risk minimization, generative neural network prior, partial Fourier measurement, random matrix theory (Jeong et al. 2020)
为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，具体展示了稳定秩（而非独立测量数）作为有效测量数的 RMT 刻画。武器库中 'high-dimensional asymptotics' 和 'inverse problems with random noise' 可直接用于理解其证明结构；'minimax bounds for estimation problems' 可用于验证其 recovery 条件是否紧。中期可做：若想将类似稳定秩分析推广到您的 higher-order U-statistics 设定（如 tensor 测量），需先在 'theory of higher-order U-statistics' 上长肌肉。

2. 10.1109/jsait.2022.3220196 · arXiv — A Coherence Parameter Characterizing Generative Compressed Sensing With Fourier Measurements¶

作者: Aaron Berk, Simone Brugiapaglia, Babhru Joshi, Yaniv Plan, Matthew Scott, Özgür Yilmaz
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp 502-512
相关性 3/10 · novelty: new_theory
摘要: 本文研究生成压缩感知（GCS）问题，其中信号结构由生成神经网络（GNN）的像集刻画，测量矩阵为从酉矩阵中均匀随机抽取的行（包括子采样傅里叶测量）。在Bora等人（2017）的高斯测量框架之后，现有理论多限于次高斯测量或网络权重；本文首次为子采样等距测量（subsampled isometries）建立了受限等距性质（RIP）保证，并给出了近阶最优样本复杂度的恢复界，解决了Scarlett等人（2022）提出的开放问题。核心创新是引入一个新的参数——相干性（coherence），它刻画了网络像集与测量矩阵之间的交互作用，恢复性能由该参数表征。技术工具包括子空间计数（subspace counting）和高维概率论中的经典思想。此外，作者提出了一种正则化训练策略，使GNN的相干性对测量算子有利，数值实验表明该策略能显著减少所需测量数。本文对您可能有用：它连接了高维统计中的RIP分析与深度生成模型的压缩感知，属于高维统计与统计计算交叉方向，可作为gateway reading理解非高斯测量下的理论保证。
关键技术: restricted isometry property (RIP), subsampled isometries, coherence parameter, subspace counting, generative neural network (GNN), regularized training
为什么对您有用: 本文连接高维统计中的RIP理论与生成模型的压缩感知，属于您primary interest中的高维统计方向。技术武器库中'minimax bounds for estimation problems'和'high-dimensional asymptotics'可直接用于分析其样本复杂度的最优性；'inverse problems with random noise'的经验可用于理解其恢复界的紧性。中期可做：若想将相干性参数推广到其他测量系（如随机卷积），需先在moderately_familiar的'identification theory in causal inference'上长肌肉以处理更复杂的结构假设。

统计计算 / 算法 (stat_computing, 3 篇)¶

1. 10.1109/jsait.2022.3221644 · arXiv — Gradient-Based Learning of Discrete Structured Measurement Operators for Signal Recovery¶

作者: Jonathan Sauder, Martin Genzel, Peter Jung
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp 481-492
相关性 5/10 · novelty: new_method
摘要: 本文研究信号恢复中离散结构化测量算子的学习问题，目标是在硬件和物理约束下设计最优的离散测量矩阵。核心方法是将迭代恢复算法的展开（unrolling）与Gumbel重参数化技巧结合，使得对离散随机变量的低方差梯度估计成为可能，从而将离散优化转化为可微的连续松弛问题。作者提出了GLODISMO框架，该框架兼容自动微分，易于实现且计算高效。在多个信号恢复基准任务上，GLODISMO学习到的测量矩阵显著优于随机设计和传统离散优化基线。该工作展示了如何将离散组合优化与深度学习中的重参数化梯度估计相结合，为统计计算中受约束的测量设计问题提供了一种新范式。对您而言，本文的Gumbel重参数化+unrolling策略可直接迁移到您感兴趣的统计计算中的离散优化问题，例如在因果推断中设计离散的IV或treatment分配机制。
关键技术: Gumbel reparametrization, algorithm unrolling, discrete optimization via gradient descent, low-variance gradient estimation, automatic differentiation
为什么对您有用: 本文直接关联您的primary interest中的统计计算（离散优化与梯度方法），且Gumbel重参数化+unrolling的组合是您武器库中'软件开发和算法实现'可以立即尝试的技术。中期可做：若您想将此类方法用于因果推断中的离散treatment设计，需先在moderately_familiar的'identification theory in causal inference'上补足对离散IV约束的理解。

2. 10.1109/jsait.2022.3207109 · arXiv — Denoising Generalized Expectation-Consistent Approximation for MR Image Recovery¶

作者: Saurav K. Shastri, Rizwan Ahmad, Christopher A. Metzler, Philip Schniter
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp 528-542
相关性 4/10 · novelty: new_method
摘要: 本文针对基于傅里叶变换的正向算子（如 MRI 重建）提出了一种新的即插即用（PnP）算法。现有 PnP 方法中，去噪器的输入误差通常非白非高斯，导致性能受限；而近似消息传递（AMP）方法虽能保证白高斯误差，但仅适用于随机性足够强的正向算子。作者利用广义期望一致（GEC）近似——AMP 的变体——使得每次迭代的误差统计特性可预测，并据此设计了一个新的深度神经网络去噪器，该去噪器能利用这些已知的误差统计信息。在磁共振图像恢复任务上，该方法在重建精度上优于现有的 PnP 和 AMP 方法。对您而言，本文展示了如何将统计计算中的迭代算法（GEC）与深度学习去噪器结合，解决逆问题中的误差统计建模难题，属于统计计算与算法设计方向的实用进展。
关键技术: generalized expectation-consistent approximation, plug-and-play (PnP) methods, approximate message passing (AMP), deep neural network denoiser, inverse problems, Fourier-based forward operators
为什么对您有用: 本文属于统计计算方向，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。技术核心 GEC 是 AMP 的变体，其迭代误差统计可预测的特性与您熟悉的 'inverse problems with random noise' 和 'high-dimensional asymptotics' 高度相关。中期可做：您可尝试将 GEC 框架与您熟悉的更高阶 U-统计量或张量网络结合，分析其在高阶逆问题中的计算-统计折中，但需先在 moderately_familiar 的 'HOIF' 或 'theory of higher-order U-statistics' 上积累经验。

3. 10.1109/jsait.2022.3220044 · arXiv — Deep Model-Based Architectures for Inverse Problems Under Mismatched Priors¶

作者: Shirin Shoushtari, Jiaming Liu, Yuyang Hu, Ulugbek S. Kamilov
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp 468-480
相关性 4/10 · novelty: new_theory
摘要: 本文研究深度模型驱动架构（DMBA）在图像逆问题中，当CNN先验与真实先验不匹配时的理论性质。DMBA包括plug-and-play priors (PnP)、deep unfolding (DU)和deep equilibrium models (DEQ)等框架，它们将物理测量模型与学习到的CNN先验结合。现有工作大多假设先验已知，本文填补了先验不匹配（如训练与测试数据分布偏移、CNN先验近似MAP/MMSE估计）下的理论空白。作者在明确假设下推导了因先验不匹配导致的解误差上界，并通过数值实验比较了实际分布偏移和近似统计估计器下的性能。该工作为统计计算中的算法鲁棒性分析提供了理论工具，尤其对理解深度学习方法在逆问题中的计算-统计权衡有参考价值。对您而言，本文可作为统计计算方向（逆问题与深度学习）的入门读物，但核心机器（CNN先验、PnP/DU/DEQ框架）不在您当前武器库中，属于暂不可做范畴。
关键技术: plug-and-play priors (PnP), deep unfolding (DU), deep equilibrium models (DEQ), mismatched priors, error bounds under distribution shift
为什么对您有用: 本文属于统计计算方向，涉及逆问题与深度学习的结合，可作为gateway reading。武器库中非参数统计和逆问题基础可帮助理解设定，但核心的CNN先验与DMBA框架（PnP/DU/DEQ）不在very_familiar或moderately_familiar中，属于暂不可做——需先补充深度学习逆问题的基础知识。不过，本文对先验不匹配的误差分析思路（显式误差界）与您熟悉的minimax bound方法有相通之处，可作为方法学参考。

天体统计 (astrostats, 1 篇)¶

作者: Brandon Y. Feng, Mingyang Xie, Christopher A. Metzler
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp 543-556
相关性 3/10 · novelty: application
摘要: 本文提出 TurbuGAN，一种自监督、自校准的多帧盲反卷积方法，用于大气湍流成像。其核心思想是通过对抗性感知框架（基于 CryoGAN）匹配真实测量与模拟测量的分布，无需配对训练数据。方法在三个方向扩展了 CryoGAN：(1) 将前向模型推广为包含非等晕湍流的物理精确且计算高效的光传播模型；(2) 允许对轻微误指定的前向模型进行自适应；(3) 在可用时利用预训练生成网络引入领域先验。实验在仿真和真实湍流图像上验证了有效性。该方法本质上是一个统计逆问题求解器，其分布匹配策略与生成式建模和模拟推断有深刻联系。对您而言，这是一篇优秀的入门级天文统计文献：它清晰阐述了数据生成机制（湍流退化模型）、噪声结构（多帧独立同分布）和逆问题设定（盲反卷积），且不假设读者有天文学背景。武器库中的非参数统计和逆问题经验足以理解其核心思想，但若想深入改进其统计效率（如用 U-统计量分析多帧聚合的收敛性），需先熟悉 moderately_familiar 中的 HOIF 理论。值得花时间阅读全文，作为进入天文统计方向的起点。
关键技术: adversarial sensing, simulation-based inference, blind deconvolution, generative prior, self-supervised learning, CryoGAN
为什么对您有用: 本文属于 astrostatistics 的 gateway reading，符合入门标准：(a) 对局外人友好，清晰解释了湍流成像的物理模型和统计逆问题设定；(b) 阐明天文学家关心的核心问题（从退化多帧中恢复高分辨率图像）；(c) 问题本身值得统计学家关注——分布匹配策略可视为一种隐式似然方法，其统计效率（样本量 vs 恢复质量）尚未被严格刻画；(d) 数据侧（多帧独立同分布、空间变化点扩散函数）和模型侧（前向模拟器、生成先验）均有清晰交代。武器库中的非参数统计和逆问题经验足以理解本文框架，但若要提出更高效的统计推断方法（如用 U-统计量分析多帧聚合的收敛速率），需先提升 moderately_familiar 中的 HOIF 理论。

其他 (other, 6 篇)¶

1. 10.1109/jsait.2023.3241123 · arXiv — Theoretical Perspectives on Deep Learning Methods in Inverse Problems¶

作者: Jonathan Scarlett, Reinhard Heckel, Miguel R. D. Rodrigues, Paul Hand, Yonina C. Eldar
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp 433-453
相关性 7/10 · novelty: survey
摘要: 本文综述了深度学习在逆问题（如去噪、压缩感知、图像修复、超分辨率）中的理论进展，聚焦于三类方法：生成先验（generative priors）、未训练神经网络先验（untrained neural network priors）和展开算法（unfolding algorithms）。对于生成先验，文章讨论了基于生成模型（如GAN、VAE）的压缩感知理论，包括样本复杂度、恢复保证和与Lasso等传统方法的对比。对于未训练先验，分析了深度图像先验（DIP）等方法的隐式正则化机制及其与核方法、贝叶斯推断的联系。对于展开算法，总结了将迭代优化算法（如ISTA）展开为可学习网络的收敛性分析。文章还指出了开放挑战，如泛化边界、对抗鲁棒性和计算效率。本文是一篇综述，方法学新颖性有限，但为统计学家提供了理解深度学习逆问题理论框架的入门读物。对您而言，逆问题中的正则化与高维统计中的minimax估计有深层联系，且展开算法中的计算-统计权衡与您的统计计算兴趣方向（computationally constrained statistics）直接相关。
关键技术: generative priors, untrained neural network priors, unfolding algorithms, compressed sensing, deep image prior, ISTA-Net
为什么对您有用: 本文属于gateway-reading范畴，连接您的统计计算兴趣（computationally constrained statistics）中的信息-计算权衡：展开算法将迭代优化映射为可学习网络，其收敛性分析涉及计算成本与统计精度的tradeoff。您的武器库中'minimax bounds for estimation problems'和'high-dimensional asymptotics'可直接用于评估生成先验的样本复杂度是否紧；'treewidth/tensor contraction'虽不直接相关，但展开算法的图结构可类比为计算图优化问题。暂不可做：核心机器（生成模型的泛化理论、深度网络的隐式正则化分析）不在您的武器库中，需先熟悉深度学习的理论工具（如神经正切核、无限宽网络分析）。

2. 10.1109/jsait.2022.3229670 — Cross-Domain Lossy Compression as Entropy Constrained Optimal Transport¶

作者: Huan Liu, George Zhang, Jun Chen, Ashish Khisti
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: McMaster University · University of Toronto
分类: vol 3 · issue 3 · pp 513-527
相关性 2/10 · novelty: new_method
摘要: 本文研究跨域有损压缩问题，其中重构分布可以不同于源分布，将问题建模为带熵瓶颈的最优传输（Optimal Transport with Entropy Bottleneck），以统一考虑压缩率与失真之间的权衡。作者推导了在编码器和解码器之间有无共享公共随机性两种情况下的率-失真权衡表达式，并详细分析了二元、均匀和高斯源（渐近设定）的例子，证明共享随机性可以严格改善权衡。对于无公共随机性且采用平方欧氏失真的情形，作者证明最优解部分解耦为最优压缩与最优传输两个子问题，并刻画了完全解耦带来的惩罚。实验部分使用深度学习端到端压缩系统在SVHN数据集上进行去噪、在MNIST数据集上进行超分辨率，结果与理论一致。本文的核心贡献在于将信息论中的率失真理论与最优传输理论结合，为跨域压缩提供了理论框架，但方法学上主要依赖信息论和最优传输的经典工具，未涉及因果推断、高维统计或半参效率等方向。
关键技术: rate-distortion theory, optimal transport, entropy bottleneck, common randomness, end-to-end compression
为什么对您有用: 本文属于信息论与最优传输的交叉领域，与您的主要兴趣（因果推断、高维统计、半参理论）无直接关联，且未涉及统计计算权衡或高阶U统计量等方向。作为gateway reading，本文对统计学家而言入门门槛较高（需要信息论和最优传输基础），且核心问题（跨域压缩的率-失真权衡）与您的武器库（非参统计、minimax界、因果推断）缺乏可迁移的技术接口。暂不可做——核心机器（率失真理论、最优传输的Wasserstein几何）不在您的武器库中，且无明显的统计计算权衡或高阶U统计量连接。

3. 10.1109/jsait.2022.3221864 · arXiv — Invertible Neural Networks for Graph Prediction¶

作者: Chen Xu, Xiuyuan Cheng, Yao Xie
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp 454-467
相关性 2/10 · novelty: new_method
摘要: 本文提出可逆图神经网络（iGNN），解决图数据上的逆预测问题——即从输出标签推断输入数据。模型包含一个可逆编码子网络，通过Wasserstein-2正则化保证残差块的可逆性，实现输入到中间特征的一一映射；前向预测由线性分类子网络完成，而反向生成则通过参数化混合模型从标签采样。可逆流映射的存在性由最优输运和扩散过程理论支撑，并证明了图卷积层逼近理论流的表达能力。模型通过因子化参数混合模型扩展到大规模图，计算上利用GNN层保持可扩展性。在合成数据、太阳辐照骤变事件和交通流异常检测数据集上验证了有效性。本文与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接技术交集，但可逆神经网络的设计思路（Wasserstein正则化、流映射理论）对统计计算中的生成模型或逆问题求解有一定参考价值。
关键技术: invertible neural networks, Wasserstein-2 regularization, optimal transport, graph neural networks, conditional generative model, parametric mixture model
为什么对您有用: 本文属于图机器学习与生成模型的交叉，与您的主要兴趣方向（因果推断、高维统计、U-统计量、半参效率理论）无直接技术关联。作为gateway阅读，它展示了可逆神经网络在图数据逆问题中的应用，但核心机器（Wasserstein正则化、流映射理论）不在您的武器库中，且问题设定（图预测的逆问题）与您的统计推断框架差异较大。暂不可做——缺少图神经网络和最优输运的熟练工具。

4. 10.1109/jsait.2022.3223901 · arXiv — All You Need Is Feedback: Communication With Block Attention Feedback Codes¶

作者: Emre Ozfatura, Yulin Shao, Alberto G. Perotti, Branislav M. Popović, Deniz Gündüz
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp 587-602
相关性 2/10 · novelty: new_method
摘要: 本文研究的是带反馈信道的编码设计问题，目标是降低块错误率（BLER）。提出了一种名为广义块注意力反馈（GBAF）码的新型学习辅助反馈码设计。核心设计原则包括序列到序列编码和逐块处理消息比特，这减少了收发器之间的交互次数，并支持灵活的编码速率。GBAF码采用模块化结构，本文使用流行的Transformer架构实现，在低信噪比和无噪声反馈信道条件下，其BLER性能显著优于所有先前的基于深度神经网络的编码方案。该工作属于通信编码领域，与统计推断或因果推断无直接关联。
关键技术: Transformer architecture, sequence-to-sequence encoding, block attention feedback codes, deep neural network channel code
为什么对您有用: 本文属于通信编码领域，与您的主要研究兴趣（因果推断、高维统计、半参数理论等）无直接关联。它不涉及统计推断、假设检验或计算-统计权衡等您关注的核心问题。因此，作为一篇方法学论文，它对您当前的研究方向帮助有限，不值得投入时间精读。

5. 10.1109/jsait.2022.3216515 — Inventing Codes for Channels With Active Feedback via Deep Learning¶

作者: Karl Chahine, Rajesh Mishra, Hyeji Kim
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: The University of Texas at Austin
分类: vol 3 · issue 3 · pp 574-586
相关性 1/10 · novelty: new_method
摘要: 本文研究带主动反馈的信道编码设计问题，这是一个长期未解决的编码理论难题。现有深度学习编码方法主要针对被动反馈，且难以解释和分析，尚未在真实无线信道中验证。作者提出基于深度学习的框架来设计主动反馈编码方案，通过分析学习到的编码的潜在特征，推导出解析编码方案，该方案是现有最优编码的非平凡变体。最后，利用USRP硬件平台实现了首次空中无线信道上的神经网络编码验证。核心贡献在于将深度学习从被动反馈扩展到主动反馈，并实现了从黑箱模型到可解释解析编码的转化。对您而言，本文属于通信编码领域，与您的主要研究方向（因果推断、高维统计等）无直接关联，但深度学习辅助算法设计的思想可能对统计计算中的算法开发有间接启发。
关键技术: deep learning-based code design, active feedback channel, analytical coding scheme derivation, over-the-air hardware implementation
为什么对您有用: 本文属于通信编码领域，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接交集。武器库中的工具（如非参数统计、最小最大界）无法直接应用于信道编码问题。暂不可做——核心机器（编码理论、深度学习序列模型）不在武器库中。不建议花时间阅读全文。

6. 10.1109/jsait.2023.3242440 — IEEE Journal on Special Areas in Information Theory information for authors¶

作者:
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 3 · pp C3-C3
相关性 0/10 · novelty: minor
摘要: 本文是 IEEE 信息论领域期刊的作者须知，介绍了期刊的定位、投稿范围与格式要求。该期刊专注于信息论与机器学习、统计学、基因组学、神经科学、理论计算机科学和物理学等交叉领域的特刊。涵盖熵、压缩、编码、互信息、散度、容量和率失真理论等核心概念。文章本身不包含任何研究内容或方法论贡献。对您而言，这是一篇纯粹的出版信息，与您的研究兴趣无直接关联。
为什么对您有用: 本文为期刊作者须知，不涉及任何研究内容，与您的主要或次要兴趣均无关联。无需阅读全文。

Maintained by 陈星宇 · Homepage · Source on GitHub