TSP — Vol 74 · 2026-10-14¶
- 共 24 篇 · IEEE Transactions on Signal Processing
- 目录核对 ⚠️ 疑似漏 262 篇(对照 OpenAlex 285 篇):10.1109/tsp.2026.3692130、10.1109/tsp.2026.3712068、10.1109/tsp.2024.3493603、10.1109/tsp.2026.3694198、10.1109/tsp.2025.3645929 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。
本期《TSP》第 74 卷的 24 篇论文可大致归为四条主线:结构约束估计与效率界(Cramér-Rao 界、Toeplitz 协方差、低位移秩字典)、检测与变化点(条件得分 CUSUM、GLRT 渐近、多帧检测前跟踪)、分布式与全局优化(去中心化梯度追踪、混合整数半定规划、多保真贝叶斯)、以及通信-感知一体化系统设计(ISAC 波束成形、OTSM 检测、分子通信)。其中前两条与统计推断方法关联最紧,后两条偏工程应用,但部分优化与计算技巧对高维问题有参考价值。
在结构约束估计方面,Cramér-Rao Bounds for Laplacian Matrix Estimation 通过线性重参数化处理对称性与零空间约束,给出闭式 CRB 并扩展至稀疏 oracle 情形,在三个图模型应用中验证了与约束 MLE 的匹配,为结构矩阵估计提供了精确效率基准。Compressive Toeplitz Covariance Estimation 则在 few-bit 量化下提出 Q-TSCM 与 Q-SPA 估计量,非渐近误差界揭示了量化水平与采样模式的二次依赖,对硬件受限场景下的协方差推断有直接意义。Low Displacement Rank Dictionary Learning 将位移秩约束引入字典学习,在灵活性与计算成本间取得折中,其结构约束思路可迁移至其他矩阵估计问题。
检测与变化点主线中,Conditional Score Learning for Quickest Change Detection 直接学习条件得分函数而非似然,结合截断技巧在高维马尔可夫模型下给出误报与延迟的界,其得分估计框架对因果推断中的分布偏移检测有借鉴价值。Adaptive Radar 利用 Wilms 定理推导 GLRT 统计量的渐近分布,闭式表达便于阈值设定,展示了经典渐近理论在复杂检测问题中的实用化路径。Multi-Frame Track-Before-Detect 则从最大似然角度联合估计目标状态与散射中心分布,属于检测与估计的交叉应用。
若按主题优先阅读:因果推断与半参数效率方向可关注 Conditional Score Learning(得分估计与截断)、Cramér-Rao Bounds(效率界与 oracle 分析);高维与结构估计方向可看 Compressive Toeplitz 与 Low Displacement Rank;检测理论方向则推荐 Adaptive Radar 的渐近分析。其余如 ISAC 波束成形、OTSM 检测等虽属工程,但其低维结构证明与交替优化策略对高维计算问题有一定启发。
高维统计 / 随机矩阵 (high_dim_rmt, 1 篇)¶
1. 10.1109/tsp.2026.3727446 · arXiv — Compressive Toeplitz Covariance Estimation From Few-Bit Quantized Measurements With Applications to DOA Estimation¶
- 作者: Hongwei Xu, Weichao Zheng, Zai Yang
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Xi'an Jiaotong University
- 分类: vol 74 · pp 4033-4047
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究在稀疏观测和粗量化(few-bit)硬件约束下估计 Hermitian Toeplitz 协方差矩阵的问题。在 triangular-dithered quantization 框架下,作者提出 Q-TSCM 估计量以补偿量化偏差,并给出其有限位截断版本 2k-TSCM。在复高斯假设下,推导了非渐近误差界,揭示了误差对量化水平的二次依赖,并通过 coverage coefficient 刻画稀疏采样模式的影响。为提升性能,进一步提出基于协方差拟合准则的 Q-SPA 方法,通过求解半定规划强制正定性。数值实验验证了理论结果,并展示了在 DOA 估计中的应用。对您而言,该文的非渐近误差分析和 coverage coefficient 概念与您在高维统计和随机矩阵理论方面的兴趣直接相关,且其量化与稀疏采样结合的问题设定可能为您的统计计算研究提供新的切入点。
- 关键技术:
triangular dithering,Toeplitz covariance estimation,non-asymptotic error bounds,coverage coefficient,semidefinite programming,DOA estimation - 为什么对您有用: 该文属于高维统计与随机矩阵理论的应用场景,其非渐近误差界和 coverage coefficient 的分析方法可与你熟悉的高维渐近工具对接;同时,量化与稀疏采样下的协方差估计问题可作为你统计计算方向的一个新应用场景。
数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶
1. 10.1109/tsp.2025.3646236 — Cram\(\acute{\text{e}}\)r-Rao Bounds for Laplacian Matrix Estimation¶
- 作者: Morad Halihal, Tirza Routtenberg, H. Vincent Poor
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Ben-Gurion University of the Negev · Princeton University
- 分类: vol 74 · pp 88-103
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究一般观测模型下 Laplacian 矩阵估计的性能下界。通过线性重参数化强制对称性和零空间结构约束,推导了 Laplacian 矩阵估计的闭式 Cramér-Rao 界(CRB),并扩展至稀疏约束情形,提出两种利用支撑集先验信息的 oracle CRB。分析了各界的性质与序关系,并给出高斯情形的 Slepian-Bangs 公式。在电力系统拓扑识别、扩散模型图滤波器识别和高斯马尔可夫随机场精度矩阵估计三个应用中验证了所提 CRB,并与约束最大似然估计(CMLE)及 oracle CMLE 的均方误差对比,表明估计器在足够样本下收敛至相应 CRB。该工作为结构约束矩阵估计提供了精确的效率下界工具,与您在半参数效率理论中的兴趣相关,但方法上更偏向经典参数统计,而非您主要关注的高阶或半参数效率理论。
- 关键技术:
Cramér-Rao bound,linear reparametrization,oracle bounds,Slepian-Bangs formula,constrained maximum likelihood - 为什么对您有用: 本文属于效率理论中参数化 CRB 的扩展,与您 primary interest 中的 efficiency theory 相关,但更偏向经典参数统计而非半参数效率界。您可用 very_familiar 的 minimax 理论视角审视其 CRB 在稀疏约束下是否紧,或将其与您熟悉的 U-statistic 效率结果对比,但核心工具(CRB)不在您的技术武库中,故暂不可直接迁移。
2. 10.1109/tsp.2026.3718274 · arXiv — Conditional Score Learning for Quickest Change Detection in Markov Transition Kernels¶
- 作者: Wuxia Chen, Taposh Banerjee, Vahid Tarokh
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: University of Pittsburgh · Duke University
- 分类: vol 74 · pp 3271-3282
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究马尔可夫转移核未知时的快速变化检测问题,目标是在高维数据流中尽早发现转移核的变化。核心思想是直接从样本对 (x,y) 学习条件得分函数 ∇_y log p(y|x),从而避免显式似然估计,为高维马尔可夫动力学提供可操作的估计途径。基于此,作者提出得分型 CUSUM 程序,利用条件 Hyvärinen 得分差检测核变化,并引入截断版本以保证增量有界。理论上,利用一致遍历马尔可夫过程的 Hoeffding 不等式,证明了误报平均时间的指数下界,并给出检测延迟的渐近上界。该工作为高维马尔可夫模型中的基于得分的检测提供了理论保证和实际可行性。对您而言,其条件得分估计与截断技巧可迁移至高维因果推断中的分布偏移检测,且其理论分析框架与您熟悉的高维渐近和集中不等式工具高度契合。
- 关键技术:
conditional score estimation,Hyvärinen score matching,CUSUM procedure,Hoeffding's inequality for Markov chains,truncated statistic - 为什么对您有用: 本文属于假设检验/序贯检测方向,与您的主要兴趣中的 hypothesis testing 直接相关。其条件得分估计和截断 CUSUM 技巧可迁移至高维因果推断中的分布偏移检测,且理论分析(Hoeffding 不等式、渐近界)与您 very_familiar 的高维渐近和集中不等式工具匹配,可立即用于扩展研究。
3. 10.1109/tsp.2026.3732738 — Adaptive Radar for Uncooperative Spectrum Sharing: GLRT Asymptotic Performance¶
- 作者: Angelo Coluccia, Giuseppe Ricci, Christ D. Richmond
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: University of Salento · Duke University
- 分类: vol 74 · pp 4389-4401
- 相关性 3/10 · novelty:
new_theory - 摘要: 本文研究雷达与通信系统(如5G)频谱共存场景下的自适应检测问题,目标是在无辅助数据条件下对目标信号进行检测。作者针对基于自回归干扰建模的GLRT检测器,利用Wilks定理推导其检验统计量的渐近分布,并计算了与数据模型参数Cramér-Rao界相关的Fisher信息矩阵。得到的闭式表达式简洁,可用于设定近似阈值(针对给定虚警概率)并预测检测概率。理论预测与数值模拟合理吻合,揭示了系统参数(如雷达与通信信号样本数、信噪比、归一化频率)对检测性能的影响。该工作为频谱共存下的雷达检测提供了可解析的性能预测工具,弥补了以往仅依赖蒙特卡洛模拟的不足。对您而言,本文展示了Wilks定理在复杂GLRT统计量渐近分析中的应用,与您对假设检验理论的兴趣直接相关,且其闭式推导技巧可借鉴于其他非标准检验统计量的分析。
- 关键技术:
Wilks' theorem,GLRT,Fisher information matrix,Cramér-Rao bound,asymptotic distribution - 为什么对您有用: 本文属于假设检验方向,直接关联您对GLRT渐近理论(Wilks定理)的兴趣。您可运用非常熟悉的非参数统计和渐近理论工具,验证其闭式近似的有限样本表现,或推广到更复杂的干扰模型。立即可做:用渐近展开或模拟检验其近似精度;中期可做:结合您对U统计量的熟悉,探索高阶修正;暂不可做:无需额外工具。
统计计算 / 算法 (stat_computing, 4 篇)¶
1. 10.1109/tsp.2026.3667215 · arXiv — On the Convergence of Decentralized Stochastic Gradient-Tracking With Finite-Time Consensus¶
- 作者: Aaron Fainman, Stefan Vlaski
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Imperial College London
- 分类: vol 74 · pp 10s79-1093
- 相关性 5/10 · novelty:
new_theory - 摘要: 本文研究去中心化优化中,基于梯度追踪的算法在有限时间一致性序列近似实现下的收敛性。作者针对实际中无法精确获得有限时间一致性矩阵序列的情况(如拓扑知识不完整、序列长度受限或数值不稳定),量化了近似误差对算法收敛的影响。结果适用于任意周期性的组合矩阵序列,并阐明了近似误差、序列长度以及问题参数(如光滑性和梯度噪声)之间的相互作用。该工作为去中心化随机优化算法的鲁棒性提供了理论保证,属于分布式计算与优化理论的交叉领域。
- 关键技术:
decentralized optimization,gradient tracking,finite-time consensus,periodic combination matrices,convergence analysis - 为什么对您有用: 本文属于统计计算方向,与您对分布式算法和数值方法的兴趣相关。虽然不直接涉及您的主要统计理论,但去中心化优化是处理大规模数据的重要计算工具,其收敛性分析可借鉴您的非参数和M估计理论。武器库中的软件开发和算法实现经验可帮助理解其实际应用,但核心分析工具(如马尔可夫链收敛、图论)不在您的常用范围内,因此属于中期可做方向,需先熟悉分布式优化的基本分析框架。
2. 10.1109/tsp.2026.3716412 — Low Displacement Rank Dictionary Learning¶
- 作者: Cassio F. Dantas, Victor C. Lima, Renato R. Lopes
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Université de Montpellier · Universidade Estadual de Campinas (UNICAMP)
- 分类: vol 74 · pp 3049-3060
- 相关性 4/10 · novelty:
application - 摘要: 本文提出一种在字典学习中引入位移结构(displacement structure)的方法,以在过完备字典的稀疏表示中平衡性能与计算复杂度。传统解析字典(如DCT、小波)结构固定、实现快,但适应性差;数据驱动字典适应性强,但矩阵非结构化导致计算负担高。作者利用位移秩(displacement rank)概念,将训练得到的字典约束为低位移秩矩阵,从而在保持一定灵活性的同时降低计算和存储成本。方法允许通过选择不同的位移算子来适应不同信号结构,不局限于单一预定义模型。实验部分在图像去噪任务上验证了所提方法,表明其性能优于解析字典,且与无结构字典相比复杂度更低,但并非始终优于其他结构化字典学习方法。对您而言,该文涉及结构化矩阵的低复杂度表示,与您统计计算中算法效率的兴趣相关,但方法学新颖性有限,属于应用型改进。
- 关键技术:
displacement rank,structured dictionary learning,sparse representation,image denoising - 为什么对您有用: 本文属于统计计算方向,涉及结构化矩阵的低复杂度表示,与您对算法效率的兴趣相关。但作为gateway reading,其方法学深度一般,且与您的主要兴趣(因果推断、高维统计、U统计量)无直接联系。武器库中'软件开发和数值方法'足以理解其实现,但无需深入。建议作为泛读,不投入过多时间。
3. 10.1109/tsp.2026.3697636 · arXiv — Maximum a Posteriori Direction-of-Arrival Estimation via Mixed-Integer Semidefinite Programming¶
- 作者: Tianyi Liu, Frederic Matter, Alexander Sorg, Marc E. Pfetsch, Martin Haardt, Marius Pesavento
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Technische Universität Darmstadt · Technische Universität Ilmenau
- 分类: vol 74 · pp 2503-2518
- 相关性 3/10 · novelty:
new_method - 摘要: 本文针对多快照 DOA 估计问题,提出一种联合稀疏最大后验(MAP)估计器,并将其重构为混合整数半定规划(MISDP)。利用基于分支定界的现成 MISDP 求解器,可高效计算全局最优解,且即使提前终止也能提供最优性评估,这是贪心方法和稀疏贝叶斯学习等非凸方法所不具备的。此外,作者还提出一种基于随机舍入的近似求解方案,以提升可扩展性。数值仿真表明,所提方法在阈值行为、分辨率和鲁棒性方面优于流行的 DOA 估计方法;特别是随机舍入版本在显著降低运行时间的同时,性能优于确定性最大似然(DML)估计器。该工作将统计估计问题转化为混合整数规划,展示了全局优化在信号处理中的应用价值,对您而言,其将估计问题建模为 MISDP 并利用分支定界求解的思路,与您统计计算中算法设计的兴趣点相关,但方法本身并非您核心研究方向的直接延伸。
- 关键技术:
mixed-integer semidefinite programming,branch-and-bound,randomized rounding,maximum a posteriori estimation,joint sparse recovery - 为什么对您有用: 本文属于统计计算方向,将 DOA 估计转化为 MISDP 并利用全局优化求解,与您的统计计算兴趣相关,但并非核心方向。作为 gateway reading,本文对优化方法在统计估计中的应用提供了清晰示例,但武器库(如分支定界、随机舍入)并非您熟悉的工具,且问题本身与您的研究主线关联较弱。因此,本文适合作为了解全局优化在信号处理中应用的入门读物,但可能不值得深入阅读全文。
4. 10.1109/tsp.2026.3707884 — Learnable Geometric Filter Banks for Multiscale Representation of 3-D Shapes¶
- 作者: Junyu Zhou, Wenrui Dai, Junni Zou, Ziyang Zheng, Shaohui Li, Chenglin Li et al.
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Shanghai Jiao Tong University · Zhejiang University
- 分类: vol 74 · pp 2983-2999
- 相关性 2/10 · novelty:
new_method - 摘要: 本文提出首个可学习的几何滤波器组(LGFBs),用于三维形状的多尺度表示,目标是在紧致光滑二维黎曼流形上的分层网格中,克服传统方法因仅用有限个 Laplace-Beltrami 算子(LBO)特征函数滤波而丢失高频细节的失真问题。方法上,作者引入归一化 LBO,通过谱域多项式逼近实现可学习几何滤波器;进而开发非下采样 LGFBs,在完美重构条件下学习多个具有自适应非重叠频率响应的滤波器通道。多尺度表示通过多级 LGFBs 结合几何提升方案实现,以消除谱混叠并最大程度保留高频细节,保证采样下的稳定重构。理论上证明了 LGFBs 具有双正交性、稳定性和消失矩性质,并通过数值实验验证。在基准形状数据集上的大量实验表明,LGFBs 在形状重建、信号重建和信号传递任务中优于现有方法。对您而言,该文将谱图理论与可学习滤波器设计结合,其多项式逼近和滤波器组构造思路可能对您在高维统计或统计计算中的谱方法研究有启发。
- 关键技术:
Laplace-Beltrami operator,polynomial approximation,filter banks,lifting scheme,perfect reconstruction,biorthogonality,vanishing moments - 为什么对您有用: 该文属于统计计算方向,涉及谱方法、滤波器组和几何信号处理,与您的统计计算兴趣相关。虽然不直接对应您的主要研究子方向,但其可学习滤波器组和多项式逼近技术可能为高维统计中的谱方法或张量计算提供新视角。作为 gateway reading,本文对非几何处理背景的统计学家有一定可读性,但需要一定信号处理基础。武器库中的软件开发和数值方法经验可支撑理解其实现,但核心的几何处理概念(如 LBO、提升方案)可能需要额外学习。总体而言,值得花时间阅读以拓宽视野,但非紧急优先。
其他 (other, 16 篇)¶
1. 10.1109/tsp.2026.3670206 · arXiv — Multi-Fidelity Bayesian Optimization for Nash Equilibria With Black-Box Utilities¶
- 作者: Yunchuan Zhang, Osvaldo Simeone, H. Vincent Poor
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Wuhan University of Technology · Northeastern University London · Princeton University
- 分类: vol 74 · pp 1015-1029
- 相关性 4/10 · novelty:
application - 摘要: 本文研究多智能体系统中,在效用函数为黑盒且评估代价高昂的条件下,通过集中式控制器协调多个策略玩家以逼近纯纳什均衡(PNE)的问题。作者将问题建模为带均衡约束的学习优化,提出多保真贝叶斯优化策略 MF-UCB-PNE,在低保真近似与高保真评估之间权衡,以在有限预算下高效逼近 PNE。理论上分析了查询成本与均衡精度之间的权衡,并通过实验验证了方法的有效性。该工作属于信号处理与优化领域,与您的统计推断兴趣无直接交集。
- 关键技术:
multi-fidelity Bayesian optimization,pure Nash equilibrium,black-box utility,budget-constrained sampling,UCB - 为什么对您有用: 本文主题为多保真贝叶斯优化与博弈论均衡,与您的因果推断、高维统计等主要兴趣无直接关联。作为统计计算方向的边缘文献,其多保真采样与预算权衡思想或可启发计算效率问题,但并非核心。
2. 10.1109/tsp.2026.3684761 — Unified Implicit Sparsity-Inducing Regularizers for Robust Sparse Signal Recovery¶
- 作者: Keyuan Hu, Zhi-Yong Wang, Hing Cheung So
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: City University of Hong Kong · Zhejiang University
- 分类: vol 74 · pp 1586-1599
- 相关性 4/10 · novelty:
new_method - 摘要: 本文研究稀疏信号恢复中同时存在稠密噪声和离群值时的鲁棒估计问题,提出了一类在统一框架下生成的隐式稀疏诱导正则化器(ISIRs),旨在平衡鲁棒性、解唯一性和无偏性。ISIR 具有弱凸性,并满足理想正则化器的三个基本性质:稀疏性、近似无偏性和连续性。通过双重零空间性质(DNSP),在温和条件下保证了解的唯一性,并建立了无噪声时的精确恢复和有噪声时的稳定恢复(误差有界)的理论保证。为高效计算,作者设计了基于交替方向乘子法(ADMM)的求解器,多数子问题通过邻近算子获得闭式解,并给出了收敛性和计算复杂度分析。数值实验表明所提算法优于现有方案。
- 关键技术:
implicit sparsity-inducing regularizers,weak convexity,double null space property,ADMM,proximity operator - 为什么对您有用: 本文属于稀疏信号恢复与鲁棒优化的交叉领域,与您的主要兴趣(如高维统计、假设检验)关联较弱,但其中关于弱凸正则化与解唯一性的分析,可能对您在高维统计中处理非凸估计问题有所启发。作为 gateway reading,本文的数学框架(DNSP、ADMM)对统计学者是熟悉的,但问题设定偏信号处理,方法学新颖性一般,属于应用型方法论文。
3. 10.1109/tsp.2026.3717245 · arXiv — Fast State-Augmented Learning for Wireless Resource Allocation With Dual Variable Regression¶
- 作者: Yigit Berkay Uslu, Navid NaderiAlizadeh, Mark Eisen, Alejandro Ribeiro
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: University of Pennsylvania · Duke University · Johns Hopkins University · Johns Hopkins University Applied Physics Laboratory
- 分类: vol 74 · pp 3553-3568
- 相关性 4/10 · novelty:
application - 摘要: 本文研究多用户无线网络中的资源分配问题,目标是在用户遍历平均性能约束下优化网络级效用函数。作者提出用状态增强图神经网络(GNN)参数化资源分配策略,将网络配置表示为图,并把对偶变量视为图信号作为模型动态输入,从而规避传统对偶次梯度方法的缺陷。离线训练阶段学习拉格朗日最大化策略,推理阶段通过对偶变量的梯度更新执行策略。主要贡献包括:用辅助GNN进行对偶变量回归以实现近最优初始化,加速推理;以及从对偶下降动力学采样的乘子上最大化拉格朗日函数,显著改善训练。在发射功率控制案例中通过大量数值实验展示了优越性能,并证明了对偶函数迭代最优性间隙的收敛性和指数概率界。对您而言,本文属于统计计算与算法设计在工程优化中的应用,与您的主要兴趣(统计计算、算法)有间接关联,但并非核心方法学贡献。
- 关键技术:
graph neural networks,dual subgradient methods,Lagrangian maximization,dual variable regression,state-augmented policies - 为什么对您有用: 本文属于统计计算与算法设计在工程优化中的应用,与您的主要兴趣(统计计算、算法)有间接关联,但并非核心方法学贡献。作为gateway reading,本文对非通信领域的统计学家可读性一般,涉及较多通信和优化背景;您的武器库(如非参数统计、U统计量)难以直接迁移,暂不可做。
4. 10.1109/tsp.2026.3722121 · arXiv — Optimal Low-Dimensional Structures of ISAC Beamforming: Theory and Efficient Algorithms¶
- 作者: Xiaotong Zhao, Mian Li, Ya-Feng Liu, Qingjiang Shi, Anthony Man-Cho So
- 期刊/来源: IEEE Transactions on Signal Processing
- 分类: vol 74 · pp 3642-3659
- 相关性 3/10 · novelty:
new_method - 摘要: 本文研究 ISAC 系统中发射波束成形设计的计算复杂度问题,目标是联合优化 SINR 与 CRB 等性能指标。作者证明了该优化问题存在具有低维结构的最优解,其维度仅与用户数相关而非基站天线数,从而将原问题等价重构为低维问题。基于此重构,使用内点法可将复杂度降低最多六个数量级;进一步提出平衡增广拉格朗日方法(R-BAL),其复杂度随用户数呈四次方增长。仿真表明在 massive MIMO 场景下,R-BAL 比传统 IPM 快超过 10000 倍。该工作属于信号处理与优化领域,与您的统计推断研究方向无直接交集,但低维结构证明与复杂度分析思路对高维问题的计算视角有一定启发。
- 关键技术:
low-dimensional structure,interior-point method,augmented Lagrangian method,complexity reduction - 为什么对您有用: 本文属于信号处理优化问题,与您的 primary interests(因果推断、高维统计、U-统计量等)无直接关联;作为 gateway reading,其低维结构证明与复杂度分析对统计计算方向有一定参考价值,但武器库(优化理论)并非您熟悉的核心工具,暂不建议深读。
5. 10.1109/tsp.2026.3733524 — Bit-Rate Allocation for Quantized Kalman Filtering via Rate-Distortion Theory¶
- 作者: Pedro A. de Alcantara, Flavio B. Costa, Daniel R. Fuhrmann
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Michigan Technological University
- 分类: vol 74 · pp 4241-4257
- 相关性 3/10 · novelty:
application - 摘要: 本文研究网络化传感系统中量化卡尔曼滤波的通信比特分配问题,目标是在固定通信预算下最小化状态估计的失真。设定为集中式框架,本地处理器将量化后的状态信息发送给远程处理器,测量被建模为系统状态的直接量化版本。方法利用高斯率失真理论,对相关状态变量进行比特分配,通过由系统动态和innovation协方差确定的基来利用状态相关性,实现解析的reverse-water-filling分配,同时保持低复杂度的标量量化架构。稳态分析针对四类动态系统确定了合适的操作基,并给出实用的协方差感知分配流程。由于分配依赖于矩匹配的高斯近似,作者通过KL散度分析评估其准确性。仿真表明理论与实际标量量化高度一致,相比均匀和随机基线,在病态系统中失真降低超过95%。
- 关键技术:
rate-distortion theory,reverse water-filling,quantized Kalman filtering,covariance-aware bit allocation,Kullback-Leibler divergence analysis - 为什么对您有用: 本文属于信号处理与控制领域,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,但其中协方差感知的分配策略和矩匹配高斯近似的精度分析,可能对您在高维协方差估计或统计计算中的资源分配问题有间接启发。作为gateway reading,本文对统计学家而言入门门槛适中,但方法学迁移价值有限,不值得优先投入时间。
6. 10.1109/tsp.2026.3680260 — RMMNet: Deep Memory Aided Extended Object Tracking via High-Order Markovian Modeling and State Decoupling¶
- 作者: Zhixing Wang, Le Zheng, Shi Yan, Ruud J. G. van Sloun, Nir Shlezinger, Yonina C. Eldar
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Beijing Institute of Technology · Northwestern Polytechnical University · Eindhoven University of Technology · Ben-Gurion University of the Negev · Weizmann Institute of Science
- 分类: vol 74 · pp 1538-1552
- 相关性 3/10 · novelty:
application - 摘要: 本文针对随机矩阵扩展目标跟踪(EOT)中一阶马尔可夫假设的局限,提出 RMMNet,一种将深度记忆辅助递归神经网络滤波器嵌入贝叶斯滤波框架的方法,以处理高阶马尔可夫动力学。首先在高阶马尔可夫假设下提出近似模型并推导其贝叶斯滤波实现,然后通过高斯近似和矩匹配得到解析公式,最后基于闭式解设计端到端可训练的递归神经网络滤波器架构。实验在模拟和真实数据上表明该方法优于传统 EOT 方法和现有深度学习方法。
- 关键技术:
Bayesian filtering,random matrix-based extended object tracking,high-order Markovian modeling,Gaussian approximation,moment matching,recurrent neural network - 为什么对您有用: 本文属于信号处理领域,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接关联,但其中贝叶斯滤波与深度学习的结合、状态解耦思想可能对统计计算中的算法设计有一定启发。作为跨领域阅读,本文方法学新颖性一般,属于应用型工作,不建议深入阅读。
7. 10.1109/tsp.2026.3725870 — A Blind Recovery Algorithm for Multicoset Sampling via Graph Spectral Support Identification¶
- 作者: Deyun Wei, Fangdelong Du
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Xidian University
- 分类: vol 74 · pp 3692-3707
- 相关性 3/10 · novelty:
application - 摘要: 本文研究图信号处理中的多带图信号采样与盲恢复问题,目标是在未知图频谱支撑的情况下,以低于奈奎斯特率的采样率实现信号重建。作者首先给出了多带图信号的最小图采样率,统一了已知与未知频谱支撑两种情形下的采样需求。方法上提出多余弦图采样(multicoset graph sampling),这是一种周期非均匀采样方案,并基于图连续到有限块(GCFB)构造两种盲恢复算法:MCBR1 使用单次 GCFB,在采样率足够高时保证良好重建;MCBR2 采用二分过程并多次调用 GCFB,可在最小采样率下精确识别图频谱支撑。实验通过 MSE、SNR 和成功率对比,显示 MCBR2 重建误差最小且抗噪性最好,并在 Intel Berkeley 无线传感器网络数据集上验证了实用性。对您而言,本文属于图信号处理与压缩感知交叉方向,与您的主要兴趣(因果推断、高维统计、U-统计量)无直接交集,但图频谱支撑识别问题在方法论上可类比于稀疏恢复中的支撑集估计。
- 关键技术:
graph signal processing,multicoset sampling,graph continuous-to-finite block (GCFB),blind recovery,spectral support identification - 为什么对您有用: 本文属于信号处理领域,与您的主要兴趣(因果推断、高维统计、U-统计量)无直接交集,但图频谱支撑识别与稀疏恢复中的支撑集估计有方法论类比。作为 gateway reading,本文对图信号处理入门有一定帮助,但需要图论和采样理论背景;您的武器库(非参数统计、高维渐近)不足以直接支撑进入该方向,且本文方法学 novelty 有限,属于应用型算法设计。
8. 10.1109/tsp.2026.3717767 — Multi-Frame Track-Before-Detect Algorithm for Radar Range-Spread Targets¶
- 作者: Yunlian Tian, Wei Yi, Wujun Li, Hongbin Li
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: University of Electronic Science and Technology of China · Stevens Institute of Technology
- 分类: vol 74 · pp 3153-3169
- 相关性 3/10 · novelty:
application - 摘要: 本文针对高分辨率雷达中能量分散于未知散射中心(SCs)的扩展目标(range-spread targets, RSTs),提出一种多帧检测前跟踪(MF-TBD)算法。传统 MF-TBD 假设点目标,直接用于 RST 会因能量积分不足而性能下降。作者基于最大似然(ML)准则,对目标状态序列与 SC 空间分布进行多帧联合估计,提出通用 RST-MF-TBD 框架;并在零均值高斯噪声下推导出显式方程。为降低计算复杂度,引入基于稀疏表示(SR)的 SC 先验估计策略,实现可处理的复杂度与优越的检测性能。仿真与实测数据验证了算法在不同散射模型下的有效性。
- 关键技术:
track-before-detect,maximum likelihood estimation,sparse representation,multi-frame joint estimation - 为什么对您有用: 本文属于信号处理应用,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;作为统计学家,其 ML 联合估计与稀疏表示策略或可作为高维参数估计的趣味案例,但非 gateway 级读物。
9. 10.1109/tsp.2026.3689152 · arXiv — Holographic Intelligence Surface Assisted Integrated Sensing and Communication¶
- 作者: Zhuoyang Liu, Yuchen Zhang, Haiyang Zhang, Feng Xu, Yonina C. Eldar
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Fudan University · University of Electronic Science and Technology of China · Nanjing University of Posts and Telecommunications · Weizmann Institute of Science
- 分类: vol 74 · pp 1942-1957
- 相关性 2/10 · novelty:
application - 摘要: 本文提出一种基于全息智能表面(HIS)的集成感知与通信(ISAC)系统,发射端和接收端均采用连续孔径阵列,以克服传统离散阵列对天线间相互作用的利用不足。为便于设计与优化,作者引入基于傅里叶的连续-离散变换,将连续方向图设计转化为波数域中的有限维表示。基于该变换,构建了一个联合收发波束成形优化问题,目标是在满足多用户通信需求的同时最大化多目标感知性能。为解决变量耦合的非凸问题,提出交替优化算法:发射波束成形通过解耦为一系列可行性检查子问题求解,接收波束成形采用瑞利商方法。仿真结果表明,所提HISAC系统相比传统离散阵列ISAC系统,在保证通信性能的前提下显著提升了感知性能。
- 关键技术:
Fourier-based continuous-discrete transformation,alternating optimization,beamforming design,Rayleigh quotient method,integrated sensing and communication - 为什么对您有用: 本文属于信号处理与通信领域,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,但其中连续孔径阵列的波数域表示与优化问题可能对统计计算中的张量/矩阵优化有间接启发。作为gateway reading,本文对非通信领域读者而言,需要一定信号处理背景,入门门槛中等;您的武器库(如优化、矩阵分析)足以支撑理解核心方法,但缺乏通信系统知识,暂不建议深入。
10. 10.1109/tsp.2026.3652487 · arXiv — A Multi-Token Coordinate Descent Method for Semi-Decentralized Vertical Federated Learning¶
- 作者: Pedro Valdeira, Yuejie Chi, Cláudia Soares, João Xavier
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: University of Lisbon · Instituto Superior Técnico · Carnegie Mellon University · Universidade Nova de Lisboa
- 分类: vol 74 · pp 293-308
- 相关性 2/10 · novelty:
new_method - 摘要: 本文提出多令牌坐标下降(MTCD)方法,用于半去中心化的纵向联邦学习(VFL)场景,其中客户端持有相同样本的不同特征。MTCD 通过灵活利用客户端-服务器和客户端-客户端链路,统一了中心化与去中心化方案,并可通过超参数调节在两者之间插值。作者证明在足够大的批大小下,当令牌在不相交的客户端子集间游走时,MTCD 对非凸目标以 O(1/T) 速率收敛。通过将服务器与客户端链路成本之比作为相对影响度量,论文在分析和实验上展示了半去中心化实例可优于纯中心化或去中心化方法。该工作主要贡献在于算法设计与收敛性分析,属于优化与分布式学习领域。
- 关键技术:
coordinate descent,vertical federated learning,semi-decentralized optimization,multi-token scheme,nonconvex convergence analysis - 为什么对您有用: 本文与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接关联,但属于统计计算与算法设计范畴,可作为分布式优化方法的背景阅读。其收敛性分析(O(1/T))与坐标下降技术对您熟悉的计算工具(如 einsum 优化)有一定类比性,但核心问题不涉及您武器库中的具体工具。作为 gateway reading,本文对统计学家而言入门门槛中等,但主题与您的核心方向相距较远,不值得优先投入时间。
11. 10.1109/tsp.2026.3727884 — Interference-Aware Instantaneous Frequency and Amplitude Estimator for Multicomponent Signals¶
- 作者: S. Meignen, K. Polisano
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Centre National de la Recherche Scientifique · Université Grenoble Alpes
- 分类: vol 74 · pp 3854-3865
- 相关性 2/10 · novelty:
new_method - 摘要: 本文针对多分量信号(MCSs)在时频(TF)平面上的瞬时频率(IF)估计问题,提出一种考虑干扰存在的新型估计器。方法核心是在TF域局部优化谱图窗口,以增强信号表示,并自适应区分孤立模式与干扰模式;由此定义候选IF点,再通过新的脊线检测方法聚合,最后采用样条拟合以适应模式交叉情形。该方法额外提供各模式瞬时幅度的估计,从而重构信号的理想TF特征。实验表明,在包含频率调制差异很大的模式的多分量信号上,所提方法优于现有技术。
- 关键技术:
time-frequency analysis,spectrogram window optimization,ridge detection,spline fitting,multicomponent signal decomposition - 为什么对您有用: 本文属于信号处理领域,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,但其中局部自适应优化与脊线检测的思想可能对您感兴趣的统计计算(如算法设计)有间接启发。作为入门读物,本文对非信号处理背景的统计学家有一定可读性,但需要一定的时频分析基础;武器库中的非参数平滑和优化工具可帮助理解其方法,但核心信号处理机制不在您的常规工具范围内,因此暂不建议深入阅读全文。
12. 10.1109/tsp.2026.3722759 · arXiv — Interleaved Transceiver Design for a Continuous-Transmission MIMO-OFDM ISAC System¶
- 作者: Yating Chen, Cai Wen, Yan Huang, Jinye Peng, Wei Hong, Timothy N. Davidson
- 期刊/来源: IEEE Transactions on Signal Processing
- 分类: vol 74 · pp 3676-3691
- 相关性 2/10 · novelty:
application - 摘要: 本文针对连续传输的 MIMO-OFDM 集成感知与通信(ISAC)系统,提出一种交织传输架构,使通信连续进行的同时,接收端处理方式接近脉冲雷达。核心挑战是不同距离目标引起的块间干扰会产生高旁瓣,为此作者联合设计每个 ISAC 块及其感知滤波器以抑制旁瓣。设计中融入建设性干扰以提升通信性能,并用集成主瓣-旁瓣比(IMSR)保证感知方向性,同时约束每个时间样本的功率以控制峰均功率比(PAPR)。优化问题采用交替优化(AO)框架,波形设计子问题用连续凸近似(SCA)求解,并引入交替方向惩罚法(ADPM)加速,首次证明了多于两个辅助变量时 ADPM 的收敛性。数值仿真验证了所提方法在感知和通信性能上的有效性,且快速算法在计算效率上更优。对您而言,本文属于信号处理与通信领域的应用型方法论文,与您的统计推断核心兴趣无直接交集,但其中的交替优化与收敛性分析框架或可作为统计计算中非凸优化问题的参考。
- 关键技术:
alternating optimization,successive convex approximation,alternating direction penalty method,peak-to-average power ratio constraint,integrated mainlobe-to-sidelobe ratio - 为什么对您有用: 本文主题为 ISAC 系统设计,属于信号处理/通信工程,与您的 primary interests(因果推断、高维统计、U-统计量等)无直接关联,也不属于 gateway-reading 范畴(非 astrostats/econ/epi)。唯一可能的连接点是统计计算中的非凸优化方法(如 ADPM 的收敛性分析),但该连接较弱,且武器库中的优化工具并非专门针对此类问题。因此,本文不值得作为深度阅读对象,仅可作为了解 ISAC 领域动态的泛读材料。
13. 10.1109/tsp.2026.3722879 — Prime-Sinc Relation With Universal Combinatorial Product¶
- 作者: Yunwoo Kim, Dong-Hwan Kim, Jung-Hwan Kim, Namyoon Lee, Woong-Hee Lee
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Dongguk University · Pohang University of Science and Technology
- 分类: vol 74 · pp 4114-4130
- 相关性 2/10 · novelty:
new_theory - 摘要: 本文研究素数分解与归一化sinc函数零点之间的基本联系,提出“素数-sinc关系”(PSR)。核心机制是:利用每个大于1的自然数的唯一素因子分解,以及sinc函数在非零整数处为零的性质,构造一类称为“通用组合积”(UCP)的集合运算,进而将两类整函数表示为不同sinc函数的无穷乘积。基于此得到PSR定理,并给出Riemann zeta函数等已知函数的新表达式。在信号处理方面,PSR提供统一的表示框架,可用于任意形状的频谱滤波器设计、隐式神经网络的函数映射学习,以及波形整形、去噪和序列设计等任务。该文属于数学与信号处理的交叉研究,方法学上以构造性证明和函数表示为主。
- 关键技术:
prime factorization,sinc function,infinite product,universal combinatorial product,entire functions,spectral filter design - 为什么对您有用: 本文与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接关联,但其中利用素数分解构造无穷乘积的思路,可能对您熟悉的“高阶U-统计量的张量网络/组合复杂度”工作有启发——例如,组合乘积的图论结构或可类比于张量收缩的复杂度分析。作为gateway reading,本文属于数学与信号处理的交叉,对统计学家而言入门门槛较低,但方法学迁移性有限。
14. 10.1109/tsp.2025.3603612 — Data Detection for Oversampled OTSM System With Low-Bit ADCs¶
- 作者: Xindi Yu, Wenqian Shen, Jiaxin Chen, Jianping An
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Beijing Institute of Technology
- 分类: vol 74 · pp 309-322
- 相关性 2/10 · novelty:
application - 摘要: 本文研究过采样OTSM无线通信系统中低比特ADC下的数据检测问题,目标是降低功耗的同时保持误码率性能。作者推导了过采样下系统的输入输出关系,并分析了时域信道矩阵的稀疏性。为处理过采样引起的噪声相关性和低比特量化,提出三层生成随机网络(3L-GSN)结构,前两层实现噪声白化,最后一层精确刻画量化过程。基于该结构,设计了改进的时域多层向量近似消息传递(MTD-ML-VAMP)检测器,利用OTSM信号的离散特性提升性能。仿真表明所提检测器在BER上优于传统方法。
- 关键技术:
oversampled OTSM,low-bit ADC,generative stochastic network,vector approximate message passing (VAMP),noise whitening - 为什么对您有用: 本文属于信号处理与通信领域,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,但其中VAMP算法与消息传递方法在高维统计推断中有一定联系,可作为统计计算方向的边缘阅读。
15. 10.1109/tsp.2026.3669182 — A New Approach for Blind Speech Separation Based on Sinusoidal Model of Speech Signals¶
- 作者: Sadra Siahpoosh, Massoud Babaie-Zadeh
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: Sharif University of Technology
- 分类: vol 74 · pp 1631-1640
- 相关性 2/10 · novelty:
application - 摘要: 本文提出一种基于正弦语音模型的双麦克风盲语音分离新方法,适用于瞬时和卷积混合,且能处理源数多于麦克风数的欠定情形。方法结合正弦模型分析与合成、空间线索(如到达方向)和说话人日志线索,通过聚类正弦分量并合成分离信号实现语音分离。在SiSEC 2013立体声混合数据集上评估,实验表明该方法在欠定瞬时混合中表现优异,在卷积混合场景中性能与现有方法相当。该方法属于信号处理领域,核心是语音建模与聚类,而非统计推断或因果推断。对您而言,本文与您的主要兴趣(因果推断、高维统计、U统计量等)无直接关联,但其中正弦模型与聚类思想或可作为统计计算中处理非结构化数据的类比参考。
- 关键技术:
sinusoidal speech model,clustering of sinusoids,spatial cues,diarization-driven cues,underdetermined blind source separation - 为什么对您有用: 本文属于信号处理应用,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。作为gateway reading,它并非面向统计学家的入门读物,且不涉及您武器库中的具体工具。因此,不建议投入时间精读全文,除非您对语音分离的工程细节有额外兴趣。
16. 10.1109/tsp.2026.3724735 — Symbiotic Molecular Communications: A New Paradigm for Simultaneous Molecule Sharing and Harvesting¶
- 作者: Lei Zhang, Xuan Chen, Yu Huang, Miaowen Wen, Chan-Byoung Chae
- 期刊/来源: IEEE Transactions on Signal Processing
- 机构: South China University of Technology · Guangzhou University · Yonsei University
- 分类: vol 74 · pp 3789-3805
- 相关性 1/10 · novelty:
application - 摘要: 本文提出一种共生分子通信(symbiotic MCvD)系统,在传统点对点扩散分子通信中引入可切换的次级发射机,形成主、次两条链路,分子同时作为信息载体和能量来源。信息通过分子特征和次级发射机的工作状态编码,次级链路嵌入主链路以实现分子共享与收集。作者推导了依赖状态转移的闭式信道冲激响应(CIR),并提出基于块的吸收移位键控(B-AbSK)方案以减轻非预期吸收、增强链路协作。理论分析了误码性能和能耗,并给出梯度投影和低复杂度穷举搜索算法优化发射机位置。仿真表明两条链路在可靠性和分子效率上均可匹敌或超越传统系统,液体实验平台验证了可行性。对您而言,本文属于通信工程应用,与您的统计研究方向无直接交集,但其中信道建模和优化算法或可作为跨学科阅读的素材。
- 关键技术:
channel impulse response (CIR),block-based absorption shift keying (B-AbSK),gradient projection algorithm,low-complexity exhaustive search,molecular communications via diffusion (MCvD) - 为什么对您有用: 本文主题为分子通信工程,与您的因果推断、高维统计等主要兴趣无直接关联,也不属于 gateway-reading 范畴的 astrostats / econ / epi。作为跨学科文献,其信道建模和优化方法对您的统计计算兴趣(如算法设计)仅有微弱参考价值,但整体相关性低,不建议深入阅读。
Maintained by 陈星宇 · Homepage · Source on GitHub