JSAIT — Vol 3 Issue 4 · 2026-07-07¶

共 14 篇 · IEEE Journal on Selected Areas in Information Theory
目录核对 ⚠️ 疑似漏 8 篇（对照 OpenAlex 24 篇）：10.1109/jsait.2022.3231042、10.1109/jsait.2022.3231459、10.1109/jsait.2022.3232222、10.1109/jsait.2023.3243989、10.1109/jsait.2022.3232126 等

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。

这一期共14篇论文，主题高度集中于信息论与编码理论，尤其是压缩（无损/有损） 及其在统计计算、分布式学习、控制中的交叉应用。可归纳为三条主线：（1）大字母表与稀疏结构下的高效压缩算法（4篇），（2）率失真理论及其扩展（感知、点过程、神经网络估计）（4篇），（3）分布式与带约束的压缩（通信、隐私、局部解码、博弈）（6篇）。其余少量论文涉及多臂老虎机中的通信压缩和LQG控制中的时不变编码，与主线略有交叉但主题更偏应用。

主线一：大字母表与稀疏结构下的高效压缩。这一期集中探讨了传统压缩方法在大字母表或稀疏图上计算不可行的问题，并提出了多种解耦计算复杂度的框架。例如，“Compressing Multisets With Large Alphabets”利用bits-back coding将多重集压缩转化为代理序列压缩，复杂度与字母表大小无关；“Efficient Representation of Large-Alphabet Probability Distributions”通过非线性压缩函数（ArcSinh）实现KL散度损失下的渐近最优量化，将存储从浮点降至每分量数比特；“A Universal Low Complexity Compression Algorithm for Sparse Marked Graphs”基于局部弱收敛框架，在稀疏图上实现通用最优压缩，复杂度在log因子内最优；“Universal and Succinct Source Coding of Deep Neural Networks”利用前馈网络的置换不变性消除冗余，实现无损压缩且支持直接推理。这四篇共同展示了在非标准数据结构（多重集、概率向量、图、神经网络）上，如何通过结构洞察或代理编码绕过传统方法的计算瓶颈。

主线二：率失真理论的扩展与实用化。多篇论文从不同角度推进了率失真理论。“Neural Estimation of the Rate-Distortion Function With Applications to Operational Source Coding”将率失真函数估计转化为函数优化问题，用神经网络（NERD）替代传统Blahut-Arimoto算法，适用于高维图像数据，并可直接构造一次性有损压缩方案；“On the Rate-Distortion-Perception Function”从理论上证明，除极端情况外，率-失真-感知函数可由确定性码实现，澄清了感知约束下编码的随机性需求；“Functional Covering of Point Processes”提出函数覆盖失真这一新度量，并推导了泊松过程在带前馈设定下的率失真函数；“Lossy Compression of Noisy Data for Private and Data-Efficient Learning”将率失真理论与差分隐私结合，给出压缩率与隐私预算的量化权衡，并证明压缩后样本分布收敛到原始无噪分布。这些工作将率失真理论从经典信息论推向高维、感知、隐私等新场景。

主线三：分布式与带约束的压缩。这一主线关注多代理、局部解码、博弈等复杂设定下的压缩问题。“Compression for Multi-Arm Bandits”提出通用量化算法QuBan，将分布式MAB中每轮奖励压缩至数比特，且遗憾界与未压缩时相同；“Local Decoding in Distributed Compression”证明对于可混淆源，强局部解码（每个符号仅访问常数个压缩比特）在压缩率低于熵时不可能实现，给出了错误概率下界；“Strategic Successive Refinement With Interdependent Decoders Cost Functions”将逐次精化编码建模为Stackelberg博弈，刻画了编码器在解码器采用Bayes-Nash均衡时的最优长期代价渐近行为；“Universal Gaussian Quantization With Side-Information Using Polar Lattices”提出基于Polar格码的实用量化方案，在未知噪声方差下达到率最优，且复杂度为O(N^2 log^2 N)。这些工作展示了压缩问题在分布式、博弈、鲁棒性等维度上的新挑战。

与您研究方向最贴合的论文：若您关注因果推断与半参数效率，本期无直接相关论文；若关注高维统计与计算约束，可优先看“Compressing Multisets With Large Alphabets”（大字母表下计算复杂度解耦）、“Efficient Representation of Large-Alphabet Probability Distributions”（高维概率向量的存储-精度权衡）、“Lossy Compression of Noisy Data for Private and Data-Efficient Learning”（隐私-压缩-效用权衡）以及“Compression for Multi-Arm Bandits”（分布式学习中的通信-遗憾权衡）。这些论文在方法上涉及信息论、算法设计与统计学习交叉，对理解高维或大规模数据下的信息-计算间隙有参考价值。

统计计算 / 算法 (stat_computing, 5 篇)¶

1. 10.1109/jsait.2023.3245417 · arXiv — Compressing Multisets With Large Alphabets¶

作者: Daniel Severo, James Townsend, Ashish Khisti, Alireza Makhzani, Karen Ullrich
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 605-615
相关性 2/10 · novelty: new_method
摘要: 本文研究大字母表下多重集（multiset）的无损压缩问题。现有最优率压缩方法的计算复杂度随字母表大小线性增长，在大字母表场景下不可行。作者提出将序列压缩算法转化为多重集压缩算法的通用框架，核心技巧是使用 bits-back coding 编码一个代理序列（proxy sequence）而非直接编码多重集，从而将额外复杂度控制在序列长度的拟线性阶。该方法实现了与字母表大小解耦的计算复杂度，同时保持最优压缩率。实验部分展示了在图像多重集和 JSON 文件上的应用，这些任务对之前的最优率方法而言是计算上不可行的。该工作属于统计计算中的算法设计，核心贡献在于计算复杂度的降低而非统计推断理论。
关键技术: bits-back coding, multiset compression, exchangeable symbols, proxy sequence encoding, computational complexity decoupling
为什么对您有用: 本文属于统计计算中的算法设计，与您的 primary interest 'statistical computing (numerical methods, algorithm)' 直接相关。您武器库中的 'software development' 和 'high-dimensional asymptotics' 可用于分析该算法的实际运行时间和扩展性。但核心机器（bits-back coding、信息论压缩）不在您的武器库中，属于暂不可做的方向——除非您有意进入信息论与统计计算的交叉领域。作为 gateway reading，本文对 outsider 友好，清晰阐述了问题设定和算法机制，值得花时间读全文以了解 bits-back coding 这一技术思路。

2. 10.1109/jsait.2023.3260720 · arXiv — Lossy Compression of Noisy Data for Private and Data-Efficient Learning¶

作者: Berivan Isik, Tsachy Weissman
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 815-823
相关性 2/10 · novelty: new_method
摘要: 本文研究在存储受限且需保护隐私的场景下，如何对含噪数据进行有损压缩以保持学习效用。框架为先注入噪声（提供差分隐私），再对噪声数据进行有损压缩（如量化或降维）。核心理论结果是：当有损压缩与噪声分布适当匹配时，压缩后样本的分布随训练样本量或维度增大而收敛到原始无噪数据的分布，从而保证下游分类任务的效用几乎无损。方法上，作者利用信息论中的率失真理论和分布收敛性分析，给出了压缩率与隐私预算之间的量化权衡。实验在CelebA数据集上进行性别分类，验证了理论：压缩后图像中个体不可识别（或更难识别），存储大幅降低，分类准确率未下降甚至略有提升，且对对抗样本的鲁棒性增强。对您而言，本文属于统计计算中隐私-存储-效用权衡的入门级读物，但核心机制（噪声+压缩的分布匹配）与您熟悉的逆问题/高维渐近分析有技术交集，可作为了解该方向的起点。
关键技术: lossy compression, differential privacy, rate-distortion theory, distributional convergence, adversarial robustness
为什么对您有用: 本文属于统计计算方向，是您secondary interest中'statistical computing'的gateway reading。它清晰阐述了隐私-存储-效用三者的量化权衡，且理论部分（分布收敛、率失真）与您very_familiar的'高维渐近分析'和'逆问题'有技术交集，可帮助您快速进入该领域。中期可做：若想深入，需先在moderately_familiar的'identification theory in causal inference'中理解差分隐私的识别性条件，但本文本身作为入门读物值得一读。

3. 10.1109/jsait.2023.3234502 · arXiv — Efficient Representation of Large-Alphabet Probability Distributions¶

作者: Aviv Adler, Jennifer Tang, Yury Polyanskiy
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 651-663
相关性 2/10 · novelty: new_method
摘要: 本文研究大字母表概率分布的高效表示问题，目标是用每项 b 比特存储一个 K 维概率向量。标准做法是均匀量化每个分量，但作者发现对分量先施加一个非线性压缩函数（compander）再量化，能大幅提升精度。理论分析表明，在 KL 散度损失下，最优压缩器为 ArcSinh 形式，其量化损失上界为 O(2^{-2b} log^2 K)，且渐近最优。对于 b=8、K=10^5 的设定，该方法将 KL 损失从 0.5 bits/entry 降至 10^{-4} bits/entry，远优于浮点表示。该结果对词频、DNA k-mer 计数等真实数据同样有效。本文为统计计算中的存储-精度权衡提供了一个简洁且可操作的理论方案，对您开发统计软件或处理大规模概率向量有直接参考价值。
关键技术: compander quantization, ArcSinh quantizer, minimax optimality under KL divergence, nonlinear transformation, uniform quantization
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)'。该工作提供了一个理论干净、实现简单的概率向量压缩方案，您可以用 very_familiar 的 minimax bounds 工具验证其最优性是否紧，或将其集成到您开发的统计软件中。中期可做：若想推广到更一般的损失函数（如 Hellinger 距离），需先在 moderately_familiar 的 M-estimation theory 上做些准备。

4. 10.1109/jsait.2023.3261819 · arXiv — Universal and Succinct Source Coding of Deep Neural Networks¶

作者: Sourya Basu, Lav R. Varshney
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 732-745
相关性 2/10 · novelty: new_method
摘要: 本文研究深度前馈网络的无损压缩表示问题，目标是在不完整解压的情况下直接进行推理。核心洞察是：前馈网络的二部图层在节点标记上具有置换不变性，这种不变性在推理操作中不携带信息，因此可以消除。作者利用这一性质，设计高效算法消除置换不确定性，再结合算术编码以通用方式逼近熵界。实验在多个标准数据集上验证了方法的有效性。该工作属于统计计算中的算法与数值方法方向，与您对统计计算（数值方法、算法）的兴趣直接相关。
关键技术: permutation invariance, arithmetic coding, universal source coding, lossless compression, feedforward networks
为什么对您有用: 本文属于统计计算中的算法与数值方法方向，直接对应您的 primary interest 中的 'statistical computing (numerical methods, algorithm)'。您对软件开发和算法实现非常熟悉，可以快速理解其压缩与推理流程，并评估其在实际部署中的计算开销。目前来看，核心机器（算术编码、置换不变性识别）不在您的武器库中，但作为 gateway reading 值得一读，以了解神经网络压缩这一重要应用场景。

5. 10.1109/jsait.2023.3238325 · arXiv — A Universal Low Complexity Compression Algorithm for Sparse Marked Graphs¶

作者: Payam Delgosha, Venkat Anantharam
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 746-758
相关性 1/10 · novelty: new_method
摘要: 本文针对稀疏标记图的通用无损压缩问题，提出了一种低复杂度的压缩算法。该算法在逐节点意义上通用地达到最优压缩率，其时间与空间复杂度在log因子内最优。作者利用局部弱收敛（local weak convergence）框架来定义稀疏图上的随机过程概念，从而建立通用性的理论基础。算法基于图的结构特性进行编码，不依赖于特定的图模型假设。实验在合成数据和真实数据上验证了算法的性能。该工作对统计计算中处理大规模图数据时的存储与传输效率问题具有参考价值。
关键技术: lossless compression, sparse marked graphs, local weak convergence, universal compression, low-complexity algorithm
为什么对您有用: 本文属于统计计算方向，涉及图数据的高效压缩算法，与您对统计计算（numerical methods, algorithm）的兴趣直接相关。您武器库中的软件开发和逆问题经验可用于理解其算法实现与复杂度分析。作为gateway阅读，本文清晰阐述了图压缩的问题设定和局部弱收敛的理论框架，适合作为进入图数据压缩领域的入门读物，值得花时间读全文。

其他 (other, 9 篇)¶

1. 10.1109/jsait.2023.3260770 — Compression for Multi-Arm Bandits¶

作者: Osama A. Hanna, Lin F. Yang, Christina Fragouli
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: University of California, Los Angeles
分类: vol 3 · issue 4 · pp 773-788
相关性 2/10 · novelty: sharper_rate
摘要: 本文研究分布式多臂老虎机（MAB）中的通信压缩问题。目标是在多个远程代理收集奖励并传输给学习者的设定下，最小化每轮奖励所需的比特数，同时不增加累积遗憾。作者提出通用量化算法 QuBan，可叠加在任何无遗憾 MAB 算法之上，将每个奖励压缩至仅需几个比特（随迭代次数增加可低至 3 比特），并证明其遗憾界与未压缩时相同。下界通过构造次高斯分布的困难实例建立，上下界近乎匹配。数值实验验证了理论结果。该工作属于分布式统计学习与通信效率的交叉领域，对您而言，其压缩-遗憾权衡的分析框架与您在高维统计和计算约束统计中的信息-计算间隙兴趣有间接关联，但核心问题（MAB 遗憾界与通信比特率）与您的 primary interests 距离较远。
关键技术: quantization, multi-armed bandits, regret bounds, communication-efficient learning, lower bounds via hard instances
为什么对您有用: 本文属于分布式统计学习与通信约束的交叉，与您的 primary interest 中 'statistical-computational tradeoff' 方向有弱连接——它刻画了通信比特率与统计精度（遗憾）之间的权衡，但问题设定（MAB 而非高维估计或因果推断）和工具（量化与遗憾界，而非低度多项式或 SQ 下界）与您的武器库重叠有限。作为 gateway reading，本文对 outsider 友好，清晰陈述了模型、通信约束和遗憾界，但核心问题对统计学家而言吸引力一般（MAB 压缩是经典问题，本文贡献在于紧的比特率刻画）。武器库中 'minimax bounds for estimation problems' 可用来理解其下界构造，但整体暂不可做——缺少分布式 MAB 和量化分析的具体经验。

2. 10.1109/jsait.2023.3273467 · arXiv — Neural Estimation of the Rate-Distortion Function With Applications to Operational Source Coding¶

作者: Eric Lei, Hamed Hassani, Shirin Saeedi Bidokhti
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: University of Pennsylvania
分类: vol 3 · issue 4 · pp 674-686
相关性 2/10 · novelty: application
摘要: 本文研究如何在大规模高维数据集（如图像）上估计率失真函数（rate-distortion function），这是无损压缩理论极限的基准。传统Blahut-Arimoto算法依赖经验分布，在数据量大、维度高时计算困难且不准确。作者将率失真目标重新表述为函数优化问题，并用神经网络求解，提出NERD（Neural Estimation of Rate-Distortion）估计器。NERD可输出率失真函数值、最优信道以及输出边际样本。利用反向信道编码（reverse channel coding）的最新结果，NERD还能构造可操作的一次性有损压缩方案，并给出可达的率-失真保证。在流行图像数据集上的实验表明，NERD的估计精度较高，且基于NERD的压缩方案与深度神经网络压缩器性能相当。本文属于信息论与深度学习的交叉应用，对您而言，其核心方法（用神经网络求解泛函优化）与您的统计计算兴趣有间接关联，但整体偏离您的主要研究方向。
关键技术: neural network functional optimization, rate-distortion function, Blahut-Arimoto algorithm, reverse channel coding, one-shot lossy compression
为什么对您有用: 本文属于信息论与深度学习的应用，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接交集。其核心方法（神经网络求解泛函优化）可作为统计计算的一个案例，但您武器库中的非参数统计、极小极大界等工具难以直接攻入该问题。暂不可做——缺少信息论中率失真理论、反向信道编码等核心机器。

3. 10.1109/jsait.2022.3231820 · arXiv — On the Rate-Distortion-Perception Function¶

作者: Jun Chen, Lei Yu, Jia Wang, Wuxian Shi, Yiqun Ge, Wen Tong
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 664-673
相关性 2/10 · novelty: new_theory
摘要: 本文研究率-失真-感知（RDP）函数，这是对经典率-失真理论的扩展，在输出端引入感知质量约束以强制分布级一致性。核心问题是：最优编码方案是否需要随机性？作者证明，除极端情况外，RDP函数可由确定性码实现。文章还澄清了两种完美感知质量概念的细微差别，并探讨了感知约束的替代形式。理论工具包括信息论中的率-失真理论、感知约束的数学定义（如分布距离）以及确定性码的构造分析。主要结论是确定性码在大多数情况下足以达到RDP界，这对理解感知约束下的编码极限有基础意义。本文属于信息论与感知质量交叉的理论工作，与您的统计推断兴趣无直接方法学关联。
关键技术: rate-distortion-perception function, deterministic coding, perceptual quality constraint, distribution-level consistency
为什么对您有用: 本文属于信息论与感知质量交叉的理论工作，与您的统计推断兴趣无直接方法学关联。它不涉及因果推断、高维统计、U-统计量或半参数理论等您的主要方向，也不属于您关注的统计-计算权衡或应用领域。作为一篇纯信息论论文，它可能对感知质量建模有启发，但您的武器库（非参数统计、最小最大界、因果推断等）无法直接应用于其核心问题。暂不可做。

4. 10.1109/jsait.2022.3232060 · arXiv — Time-Invariant Prefix Coding for LQG Control¶

作者: Travis C. Cuvelier, Takashi Tanaka, Robert W. Heath
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 759-772
相关性 1/10 · novelty: new_method
摘要: 本文研究线性二次高斯（LQG）控制中，在最小比特率前缀码反馈约束下的时不变数据压缩架构。目标是对于任意固定的控制性能，使时间平均期望码字长度接近已知的有向信息（DI）下界。经典方法需要时变无损信源编码来编码量化后的植物测量值，本文改进了这一方法，证明了量化随机变量序列存在极限分布，从而可以用针对该分布优化的固定信源编码进行编码，且不引入时间渐近冗余。通过分析系统的长期随机行为，进一步保证了时间平均码字长度（而非期望长度）几乎必然在最小DI的若干比特之内。据作者所知，这是文献中首个时不变可实现性结果。本文属于控制与信息论的交叉领域，与您的主要研究兴趣（因果推断、高维统计等）无直接关联，但其中关于极限分布和渐近冗余的分析技术可能对统计计算中的收敛性分析有间接启发。
关键技术: prefix-free coding, directed information lower bound, limiting distribution analysis, time-invariant source code, LQG control
为什么对您有用: 本文主题为控制与信息论，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接重叠。作为gateway阅读，本文对统计计算中的收敛性分析有一定参考价值，但核心机器（有向信息、LQG控制）不在您的武器库中，属于暂不可做范畴。

5. 10.1109/jsait.2023.3279194 · arXiv — Functional Covering of Point Processes¶

作者: Nirmal V. Shende, Aaron B. Wagner
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 687-698
相关性 1/10 · novelty: new_theory
摘要: 本文提出了一种新的点过程失真度量——函数覆盖失真（functional-covering distortion），其灵感来自强度理论，并与点过程的覆盖失真和对数损失失真相关。在带前馈（feedforward）的设定下，作者推导了一大类点过程的率失真函数。对于泊松过程，在称为约束函数覆盖失真的一般条件下得到了率失真函数，其中覆盖失真和函数覆盖失真是特例。此外，针对泊松过程，刻画了双编码器CEO问题的率失真区域，并证明前馈不会扩大该区域。该工作属于信息论与点过程理论的交叉，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接方法学关联。
关键技术: functional-covering distortion, rate-distortion function, point process, Poisson process, CEO problem, feedforward
为什么对您有用: 本文主题为点过程的信息论率失真理论，与您的主要兴趣方向（因果推断、高维统计、U统计量等）无直接方法学关联。作为gateway reading，它不属于您关注的统计计算权衡或天文统计等次要方向，且未涉及您技术库中的具体工具（如U统计量树宽、minimax界等）。因此，本文对您当前研究路径的参考价值有限，不建议投入时间精读。

6. 10.1109/jsait.2023.3240187 · arXiv — Local Decoding in Distributed Compression¶

作者: Shashank Vatedka, Venkat Chandar, Aslan Tchamkerten
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 711-719
相关性 1/10 · novelty: new_theory
摘要: 本文研究分布式压缩中的局部解码问题。设定为两个独立编码的源 (X^n, Y^n)，目标是实现无损压缩且每个符号 (X_i, Y_i) 仅需访问常数个压缩比特即可解码（强局部性）。对于一类“可混淆”源，证明当任一源被压缩到低于其熵时，强局部性不可能实现：无论 n 多大，总存在至少一个索引 i，使得解码 (X_i, Y_i) 的错误概率至少为 2^{-O(d)}，其中 d 是局部解码器访问的压缩比特数（最坏情况）。反之，若源不可混淆，即使一个源被压缩到低于熵，强局部性仍可能实现。结果可推广到任意多个源。该文属于信息论与编码理论，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接方法学联系，但分布式压缩中的局部性概念可能对统计计算中的分布式推断有启发。
关键技术: distributed source coding, local decoding, Slepian-Wolf coding, confusable sources, error exponent
为什么对您有用: 本文属于信息论，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）无直接方法学重叠。作为 gateway-reading，它不涉及统计模型或数据分析，而是纯编码理论结果，因此对 astrostatistics / econ / epi 等 secondary interest 也无入门价值。武器库中无对应工具（信息论/编码理论），暂不可做。建议跳过。

7. 10.1109/jsait.2022.3230745 · arXiv — Optimality of Huffman Code in the Class of 1-Bit Delay Decodable Codes¶

作者: Kengo Hashimoto, Ken-ichi Iwata
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 616-625
相关性 1/10 · novelty: new_theory
摘要: 本文研究无损信源编码问题，针对独立同分布信源，证明Huffman码在1比特延迟可解码码类中仍是最优的。此前已知当允许k≥2比特解码延迟时，使用多码表的时间变编码器可取得比Huffman码更短的平均码长，但1比特延迟情形的最优性一直悬而未决。作者通过构造性的论证，证明了任何有限码表的1比特延迟可解码码的平均码长不可能低于Huffman码。该结果完善了延迟-码长权衡的理论图景，表明Huffman码在1比特延迟约束下仍是不可超越的。本文属于信息论中编码理论的基础性理论结果，与您的统计研究兴趣无直接关联。
关键技术: Huffman coding, 1-bit delay decodable codes, time-variant encoder, average codeword length optimality
为什么对您有用: 本文属于信息论中无损编码的理论结果，与您的因果推断、高维统计、半参理论等主要研究方向无直接关联。武器库中没有任何工具可以直接切入该问题，且该问题本身不涉及统计推断或计算复杂性。暂不可做。

作者: Rony Bou Rouphael, Maël Le Treust
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: École Nationale Supérieure de l'Électronique et de ses Applications · Institut de Recherche en Informatique et Systèmes Aléatoires
分类: vol 3 · issue 4 · pp 699-710
相关性 1/10 · novelty: new_theory
摘要: 本文研究一个编码器与两个解码器之间的战略通信博弈，设定类似于逐次精化（successive refinement）结构：编码器通过两条完美链路分别向第一个解码器以及同时向两个解码器传输 i.i.d. 信源。三个设备均为理性主体，各自最小化依赖于信源变量和两个解码器输出符号的代价函数。编码器作为 Stackelberg 领导者承诺一个编码策略，诱导两个解码器（Stackelberg 跟随者）同时选择输出序列以最小化其长期平均代价。文章刻画了当解码器采用 Bayes-Nash 均衡策略时，编码器长期最优代价的渐近行为，证明该最优代价收敛到一个单字母表达式，该表达式涉及两个辅助随机变量和单字母激励相容约束。本文属于信息论与博弈论的交叉，与您的统计推断兴趣无直接方法学关联。
关键技术: Stackelberg game, Bayes-Nash equilibrium, successive refinement, single-letter characterization, incentive constraints
为什么对您有用: 本文主题为信息论中的战略通信博弈，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接方法学连接。作为 gateway reading 也不合适，因为需要信息论和博弈论背景，且不涉及统计推断或数据分析问题。暂不可做。

9. 10.1109/jsait.2023.3247864 · arXiv — Universal Gaussian Quantization With Side-Information Using Polar Lattices¶

作者: Shubham Jha
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 4 · pp 639-650
相关性 1/10 · novelty: new_method
摘要: 本文研究高斯观测下带边信息的通用量化问题，其中边信息是发送端观测的带噪版本，且噪声方差对发送端未知。作者提出一种基于 Polar 格码的实用量化方案，该方案在所有未知噪声方差值下均达到率最优。方案利用先前工作中的 Polar 格码，通过对底层辅助变量进行结构分解，使得即使在某轮恢复失败时，双方也能达成一个比之前更接近的公共参考点。有限码长分析表明，失真以次指数速率收敛，速率以指数速率收敛。方案复杂度为 O(N^2 log^2 N)，适用于任意目标失真和固定速率（大于率失真界）。该工作主要属于信息论与通信领域，与您的主要研究方向（因果推断、高维统计等）无直接技术关联。
关键技术: Polar lattices, universal quantization, side information, finite blocklength analysis
为什么对您有用: 本文属于信息论与通信领域，与您的主要研究方向（因果推断、高维统计、半参理论等）无直接技术关联。虽然量化问题在统计计算中可能涉及，但本文的核心工具（Polar 格码、通用量化）不在您的技术武器库中，且未提供可直接迁移至您研究问题的统计方法或理论。暂不可做。

Maintained by 陈星宇 · Homepage · Source on GitHub