JSAIT — Vol 3 Issue 2 · 2026-07-19¶

共 9 篇 · IEEE Journal on Selected Areas in Information Theory
目录核对 ⚠️ 疑似漏 12 篇（对照 OpenAlex 22 篇）：10.1109/jsait.2022.3205475、10.1109/jsait.2022.3180941、10.1109/jsait.2022.3177711、10.1109/jsait.2022.3190859、10.1109/jsait.2022.3177609 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 9 篇论文，主题高度集中在分布式计算与信息论领域，尤其是编码、调度与隐私保护问题。统计方法类论文仅有一篇，其余均为信息论、排队论或编码理论工作。整体可归纳为三条主线：分布式学习与优化（联邦学习变体）、分布式计算中的编码与调度（冗余调度、矩阵计算、存储编码）、以及隐私信息检索与安全通信（PIR 变体、安全组播）。统计计算方向仅有一篇，其余与因果推断、高维统计等主流统计方法无直接关联。

在分布式学习与优化主线上，有两篇论文聚焦联邦学习的变体。Peer-to-Peer Variational Federated Learning Over Arbitrary Graphs 提出去中心化变分贝叶斯框架，允许智能体在任意连通图上通过异步通信和局部变分更新学习全局模型，收敛速率由数据质量和网络中心性加权决定。An Optimal Transport Approach to Personalized Federated Learning 则从最优传输角度处理联邦学习中的数据异构问题，将多客户端分布对齐建模为多边际最优传输问题，并给出泛化误差与收敛性分析。两篇均涉及分布式环境下的模型聚合与异构性处理，但方法工具（变分贝叶斯 vs. 最优传输）不同。

在分布式计算中的编码与调度主线上，Balanced Nonadaptive Redundancy Scheduling 利用组合块设计改进冗余调度策略，通过二部图扩展性解释等待时间差异，理论降低平均等待时间。A Unified Treatment of Partial Stragglers and Sparse Matrices in Coded Matrix Computation 针对稀疏矩阵的编码计算，提出有限编码方案以利用慢节点部分结果，在保持最优阈值的同时提升计算速度。On Rack-Aware Cooperative Regenerating Codes 和 Two-Level Private Information Retrieval 等则属于存储编码与信息论，与统计计算无直接关联。

对于统计 / 因果方向的研究者，本期最值得关注的是 A Unified Treatment of Partial Stragglers and Sparse Matrices in Coded Matrix Computation（统计计算中的分布式算法设计）和 An Optimal Transport Approach to Personalized Federated Learning（最优传输与联邦学习交叉）。其余论文与因果推断、半参数效率、高维统计等方向无直接方法学关联。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1109/jsait.2022.3186908 · arXiv — A Unified Treatment of Partial Stragglers and Sparse Matrices in Coded Matrix Computation¶

作者: Anindya Bijoy Das, Aditya Ramamoorthy
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 2 · pp 241-256
相关性 0/10 · novelty: new_method
摘要: 本文研究分布式矩阵计算中慢节点（stragglers）与稀疏矩阵的联合优化问题。现有编码计算方法通常对子矩阵进行稠密线性组合，这会显著增加工作节点的计算时间，尤其当输入矩阵稀疏时。本文提出一种有限编码方案，仅对原始子矩阵进行轻度编码，同时利用慢节点的部分计算结果，而非将其视为故障丢弃。该方案在保持最优阈值（optimal threshold）的同时，允许在稀疏输入下权衡容错性与工作节点计算速度。在云平台上的大量数值实验表明，所提方法能显著提升工作节点计算速度及整体作业执行时间。对您而言，本文属于统计计算中的分布式算法设计，与您的统计计算兴趣相关，但核心问题（编码矩阵计算）与您的主要研究方向（因果推断、高维统计等）距离较远，作为入门阅读可了解分布式计算中的编码技术。
关键技术: coded matrix computation, partial stragglers, sparse matrix, optimal threshold, distributed computing
为什么对您有用: 本文属于统计计算中的分布式算法设计，与您的统计计算兴趣（numerical methods, algorithm）有直接关联。但核心问题（编码矩阵计算）与您的主要研究方向（因果推断、高维统计、U-统计量等）距离较远，且技术武器库中缺乏编码理论或分布式计算的具体工具（如纠错码、多项式编码），因此暂不可做。不过，如果您未来涉足大规模统计计算（如分布式推断、矩阵补全），本文可作为入门阅读了解编码计算的基本框架。

其他 (other, 8 篇)¶

1. 10.1109/jsait.2022.3189051 — Peer-to-Peer Variational Federated Learning Over Arbitrary Graphs¶

作者: Xinghan Wang, Anusha Lalitha, Tara Javidi, Farinaz Koushanfar
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: University of California San Diego
分类: vol 3 · issue 2 · pp 172-182
相关性 2/10 · novelty: new_method
摘要: 本文提出了一种在任意连通图上进行去中心化联邦学习的变分贝叶斯框架。每个智能体维护一个关于全局模型参数的局部后验分布，通过两个子程序更新：1）基于本地标注数据批次的变分模型训练，2）与一跳邻居的异步通信和模型聚合。该框架允许训练数据保留在移动设备上，同时利用社交网络中的点对点模型聚合。在温和的技术条件下，算法使智能体能够以去中心化方式学习解释全局训练数据的共享模型，收敛速率由每个智能体的数据质量及其特征向量中心性加权决定。实验表明，即使本地数据批次非同分布，该方法也能有效训练贝叶斯神经网络。
关键技术: variational Bayesian inference, federated learning, peer-to-peer model aggregation, eigenvector centrality, Bayesian neural networks
为什么对您有用: 本文属于分布式统计计算，与您的主要兴趣（统计计算）有弱关联，但核心方法（变分贝叶斯、联邦学习）不在您的技术武器库中。作为 gateway reading，它清晰阐述了去中心化学习的问题设定和收敛性分析，但缺乏与您高阶U统计或因果推断的直接连接。暂不可做：核心机器（变分推断、分布式优化）不在武器库内。

2. 10.1109/jsait.2022.3197675 · arXiv — Balanced Nonadaptive Redundancy Scheduling¶

作者: Amir Behrouzi-Far, Emina Soljanin
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 2 · pp 422-430
相关性 0/10 · novelty: application
摘要: 本文研究分布式计算系统中冗余调度策略的性能分析问题。目标是在非自适应调度（随机、轮询）框架下，通过组合设计和图论工具刻画任务副本间共享服务器的重叠模式，并以此定义性能指标。核心方法是将调度策略映射为二部图，利用图的扩展性（expansion property）解释不同策略的排队等待时间差异。提出基于组合块设计（block design）的调度策略，其关联图具有更好的扩展性，从而在平均等待时间上比随机调度降低最多25%、比轮询调度降低最多100%。仿真结果验证了理论指标的有效性。该工作属于排队论与组合设计的交叉，与您的主要统计兴趣（因果推断、高维、U统计等）无直接方法学关联。
关键技术: block design, graph expansion, combinatorial design, queueing theory, redundancy scheduling
为什么对您有用: 本文属于排队论与分布式系统的应用研究，与您的主要统计兴趣（因果推断、高维统计、U统计等）无直接方法学连接。武器库中的非参数统计、最小最大界等工具无法直接用于分析其调度策略。暂不可做——核心机器（排队论、组合设计、图扩展性分析）不在武器库中。不建议作为入门读物。

3. 10.1109/jsait.2022.3182365 — On Rack-Aware Cooperative Regenerating Codes and Epsilon-MSCR Codes¶

作者: Shreya Gupta, Bh. Rekha Devi, V. Lalitha
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: International Institute of Information Technology, Hyderabad
分类: vol 3 · issue 2 · pp 362-378
相关性 0/10 · novelty: new_method
摘要: 本文研究分布式存储系统中的机架感知协同再生码。在机架感知模型中，机架内传输无成本，修复带宽仅考虑跨机架传输。针对多节点故障场景（节点故障均匀分布在若干机架中），刻画了存储-修复带宽的权衡曲线，并推导了最小存储点和最小修复带宽点。给出了大参数范围内最小带宽和最小存储机架感知协同再生码的显式构造。进一步引入ε-MSCR码框架，允许通过轻微增加修复带宽来大幅降低子分组化水平（sub-packetization），并给出了两节点故障下的构造与修复过程。ε-MSCR码的子分组化水平随节点数对数增长。本文属于编码理论/信息论领域，与您的主要研究兴趣（因果推断、高维统计、U-统计量等）无直接关联。
关键技术: cooperative regenerating codes, rack-aware storage, storage-repair bandwidth tradeoff, epsilon-MSR codes, sub-packetization
为什么对您有用: 本文主题为分布式存储编码，属于信息论/编码理论，与您的主要兴趣（因果推断、高维统计、U-统计量）无直接交集。武器库中的工具（非参统计、minimax界、U-统计量树宽）无法直接应用于此问题。暂不可做——核心机器（编码理论、网络编码、有限域构造）不在武器库中。

4. 10.1109/jsait.2022.3181216 · arXiv — Two-Level Private Information Retrieval¶

作者: Ruida Zhou, Chao Tian, Hua Sun, James S. Plank
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 2 · pp 337-349
相关性 0/10 · novelty: new_method
摘要: 本文研究两级隐私信息检索（PIR）系统，其中用户需从N个服务器中检索消息，且不同消息具有不同级别的隐私保护要求：K1条消息需抵抗T1个合谋服务器，全部K2条消息需抵抗T2个合谋服务器（T1≥T2, K1≤K2）。作者提出了两种编码方案——非均匀逐次取消方案和非均匀块取消方案——并导出了容量的下界。同时推导了容量上界，并分析了上下界之间的间隙，证明当T1=T2时间隙消失。此外，针对特殊情形给出了更强的上界，表明一般上界并不紧。该工作属于信息论与编码理论范畴，与统计推断无直接关联。
关键技术: private information retrieval, capacity bounds, non-uniform successive cancelation, non-uniform block cancelation, colluding servers
为什么对您有用: 本文主题为信息论中的隐私检索问题，与您的主要研究兴趣（因果推断、高维统计、U-统计量等）无直接交集。武器库中缺乏信息论编码的相关工具，暂不可做。不建议投入时间阅读全文。

5. 10.1109/jsait.2022.3181144 · arXiv — A Systematic Approach Towards Efficient Private Matrix Multiplication¶

作者: Jinbao Zhu, Songze Li
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 2 · pp 257-274
相关性 0/10 · novelty: new_method
摘要: 本文研究私有与安全矩阵乘法（PSMM/FPMM）问题，目标是在分布式计算场景下，主节点选择两个矩阵相乘，但工作节点无法获知所选矩阵的索引（即使部分节点合谋）。作者提出一种系统化方法，将PSMM/FPMM问题归约到已有的安全矩阵乘法（SMM）问题——SMM保护的是数据内容而非索引。具体地，给定基于多项式码或拉格朗日码的SMM策略，利用矩阵编码函数的特殊结构设计私有化查询，使得每个工作节点的计算结果代数结构与原SMM策略一致。该方法简化了PSMM/FPMM策略的设计流程，且构造出的策略在恢复阈值（主节点需等待的最少工作节点数）、通信开销和计算复杂度等指标上优于现有方案，提供了更灵活的效率权衡。本文属于信息论与分布式计算交叉领域，与您的主要兴趣（因果推断、高维统计等）无直接方法学关联，但其中关于计算-通信权衡的系统化设计思路对统计计算中的分布式算法设计有一定启发。
关键技术: polynomial codes, Lagrange codes, private information retrieval, secure matrix multiplication, coded computation, collusion resistance
为什么对您有用: 本文主题属于分布式计算与信息论，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接方法学重叠。作为gateway阅读，它展示了系统化归约（将私有索引问题归约到安全数据问题）的设计范式，但武器库中缺乏信息论编码工具（如多项式码、拉格朗日码），无法直接攻入该方向。暂不可做——核心机器（编码理论、私有信息检索协议）不在武器库中。

6. 10.1109/jsait.2022.3182355 · arXiv — An Optimal Transport Approach to Personalized Federated Learning¶

作者: Farzan Farnia, Amirhossein Reisizadeh, Ramtin Pedarsani, Ali Jadbabaie
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 2 · pp 162-171
相关性 0/10 · novelty: new_method
摘要: 本文提出了一种基于最优传输（Optimal Transport, OT）的个性化联邦学习（Personalized Federated Learning）方案 FedOT。在联邦学习中，各客户端数据分布异构（non-i.i.d.）是一个核心挑战，FedOT 旨在通过学习从各客户端数据分布到公共分布的最优传输映射，同时训练预测模型。作者将标准两分布 OT 问题扩展为多边际最优传输（multi-marginal OT）问题，以同时对齐多个分布。FedOT 被形式化为一个 min-max 优化问题，并分析了其泛化误差和优化收敛性质。数值实验表明，在异构数据分布下 FedOT 优于若干基线方法。本文属于机器学习与优化领域，与您的主要研究兴趣（因果推断、高维统计、U-统计量等）无直接技术交集。
关键技术: Optimal Transport, Multi-marginal Optimal Transport, Federated Learning, Min-max Optimization, Generalization Bound
为什么对您有用: 本文主题为个性化联邦学习，属于分布式机器学习，与您的主要研究兴趣（因果推断、高维统计、U-统计量等）无直接技术关联。虽然最优传输在因果推断中有应用（如匹配、分布偏移），但本文聚焦于学习算法而非统计推断。武器库中无直接可攻工具（如 minimax bound 可分析泛化界，但非核心问题）。暂不可做，核心机器（联邦学习、OT 算法）不在武器库中。

7. 10.1109/jsait.2022.3188610 — Symmetric Private Information Retrieval at the Private Information Retrieval Rate¶

作者: Zhusheng Wang, Sennur Ulukus
期刊/来源: IEEE Journal on Selected Areas in Information Theory
机构: University of Maryland, College Park
分类: vol 3 · issue 2 · pp 350-361
相关性 0/10 · novelty: new_theory
摘要: 本文研究对称私有信息检索（SPIR）问题，其中用户从N个非共谋复制数据库中检索K条消息之一，要求用户隐私（数据库不知检索索引）和数据库隐私（用户除检索消息外一无所知）。传统SPIR需要数据库间共享公共随机性，且单数据库不可行。作者引入一种新变体：用户获得共享数据库公共随机性的随机子集（用户侧公共随机性），该子集对数据库未知。文章刻画了下载成本d、服务器侧公共随机量ρ_S和用户侧公共随机量ρ_U的三元组精确容量区域。主要结果表明，适当的ρ_U可使该SPIR方案达到传统PIR（仅需用户隐私）的容量；作为推论，单数据库SPIR变得可行，且用户侧随机性可减少所需服务器侧随机性。该工作属于信息论与通信安全领域，与您的统计研究方向无直接技术交集。
关键技术: private information retrieval, capacity region, common randomness, database privacy
为什么对您有用: 本文主题为信息论中的私有信息检索，与您的主要兴趣（因果推断、高维统计、U-统计量等）及次要兴趣（天文统计、经济理论、流行病学）均无直接关联。武器库中无对应工具可攻该问题，属于暂不可做范畴。不建议投入时间阅读全文。

8. 10.1109/jsait.2022.3180889 · arXiv — Compound Secure Groupcast: Key Assignment for Selected Broadcasting¶

作者: Hua Sun
期刊/来源: IEEE Journal on Selected Areas in Information Theory
分类: vol 3 · issue 2 · pp 379-389
相关性 0/10 · novelty: new_theory
摘要: 本文研究复合安全组播问题，其中K个接收者各自存储密钥变量，发送者通过无噪声广播信道向任意N个接收者安全地组播消息。核心度量是每个接收者每消息比特的密钥存储量α与广播带宽β之间的信息论权衡。主要结果包括：当带宽最小化（β=1）时，最小密钥存储α=N；当存储最小化（α=1）时，带宽β=min(N, K-N+1)可达，且在N=2或K-1时最优；对于N=2，刻画了最优权衡为α+β≥3, α≥1, β≥1。该问题属于信息论与密码学交叉领域，与统计推断无直接关联。
关键技术: information-theoretic security, key assignment, broadcast channel, tradeoff characterization
为什么对您有用: 本文属于信息论与通信安全领域，与您的主要兴趣（因果推断、高维统计、U统计量等）及次要兴趣（天体统计、经济理论、流行病学）均无直接关联。武器库中没有任何工具可以攻入该问题，属于暂不可做范畴。不建议花费时间阅读全文。

Maintained by 陈星宇 · Homepage · Source on GitHub