174 Arbeiten
Das Paper stellt WaterSIC vor, einen informationstheoretisch nahezu optimalen Algorithmus zur linearen Schicht-Quantisierung, der durch eine wasserfüllungsähnliche Zuweisung unterschiedlicher Quantisierungsraten zu den Eingangsfeatures die Leistung von GPTQ übertrifft und neue State-of-the-Art-Ergebnisse für LLMs wie Llama und Qwen bei 1 bis 4 Bit erzielt.
Die Studie zeigt, dass bei der Belief-Propagation-Decodierung von überkompletten QLDPC-Codes eine Fehlanpassung der initialen Log-Likelihood-Ratios (LLR) den Frame-Fehler in niedrigen Rauschregimen zwar stark beeinflusst, aber über einen weiten Bereich robust bleibt, was die Interpretation der LLR-Fehlanpassung als Regularisierungsparameter nahelegt.
Der Artikel stellt eine Methode zur formalen, entropie-regulierten Steuerung stochastischer Systeme vor, die durch die Ableitung neuer Schranken für die Entropiedifferenz zwischen kontinuierlichen Verteilungen und deren Diskretisierung die Synthese von Reglern ermöglicht, die Vorhersagbarkeit und Leistung unter Beibehaltung formaler Garantien für das ursprüngliche System optimieren.
Diese Arbeit liefert eine präzise asymptotische Analyse des Multi-Task-Learnings, die zeigt, dass die Kombination verwandter Aufgaben einer zusätzlichen Regularisierung entspricht und das Double-Descent-Phänomen sowohl theoretisch erklärt als auch empirisch abschwächt.
Diese Arbeit stellt ein System vor, das progressive Bilder mittels JPEG2000 und des DNA-basierten JPEG DNA VM-Codecs speichert, um durch adaptive Sampling-Methoden von Nanopore-Sequenzierern eine PCR-freie Zufallszugriffslösung zu ermöglichen, die die Kosten für das Auslesen von Bildauflösungsstufen in DNA-Datenspeichern senkt.
Die Arbeit zeigt, dass die Fisher-Rao-Metrik die natürliche Riemannsche Metrik für die Gewichtsrebalancierung in dynamischen AMMs ist und dass die kostenminimierende Interpolation durch SLERP in Hellinger-Koordinaten realisiert wird, was eine rekursive, trigonometriefreie Näherung mittels des AM-GM-Halbschritt-Heuristik ermöglicht.
Diese Arbeit entwickelt ein stochastisch-geometrisches Analyserahmenwerk für eine räumlich bewusste sekundäre Lizenzteilung in mmWave-Netzen, das zeigt, wie Richtcharakteristik und Blockierungen die Interferenz begrenzen und somit die Übertragungsmöglichkeiten sowie die Abdeckungswahrscheinlichkeiten für primäre und sekundäre Nutzer verbessern können.
Die Autoren stellen einen verbesserten iterativen Belief-Propagation-Decoder für Quanten-Tanner-Codes vor, der durch die Gruppierung von Prüfzeichen zu generalisierten Knoten mit MAP-Decodierung eine signifikant bessere Leistung als bestehende Verfahren erzielt, während sie für andere qLDPC-Klassen zeigen, dass dieser Ansatz nur begrenzte Vorteile bietet.
Dieser Artikel stellt SBMA vor, ein neuartiges Mehrzugriffsschema für MU-MISO-Systeme, das SCMA und BIA kombiniert, um durch spezielle Decoder sowohl die Diversitäts- als auch die Multiplexing-Gewinne zu maximieren und gleichzeitig die Komplexität sowie die Abhängigkeit von Kanalkohärenzzeiten zu reduzieren.
Diese Arbeit stellt einen optimalen, interaktiven Algorithmus für die Hypothesenauswahl unter lokaler Differentialprivatsphäre vor, der die bisherige Probenkomplexität von auf senkt und dabei zeigt, dass bereits wenige Interaktionsrunden ausreichen, um die Grenzen nicht-interaktiver Verfahren zu durchbrechen.
Diese Arbeit leitet neue, effizient berechenbare obere Schranken für die Fehlerexponenten des quantenmechanischen Hypothesenausschlusses bei Zuständen und Kanälen her, die auf der multivariaten log-Euklidischen Chernoff-Divergenz basieren und bestehende Ergebnisse verbessern sowie in speziellen Fällen exakte Lösungen liefern.
Diese Arbeit leitet eine strengere informationstheoretische untere Schranke für die erwartete Stichprobenkomplexität bei der Identifizierung des besten Arms in stochastischen Multi-Armed-Bandits mit bekannter Anzahl mehrerer optimaler Arme her und zeigt, dass eine modifizierte Version des Track-and-Stop-Algorithmus diese Schranke asymptotisch erreicht.
Dieser Artikel untersucht das Potenzial und die Herausforderungen des Frequenzbereichs 3 (7–24 GHz) für integrierte Sensorik und Kommunikation (ISAC) in 6G-Netzen, wobei er die Vorteile von ultra-massiven MIMO-Systemen mit extrem großen Aperturarrays sowie die Notwendigkeit einheitlicher Kanalmodelle für Nah- und Fernfeld hervorhebt.
Dieser Artikel untersucht die fundamentalen Grenzen des Trade-offs zwischen Kommunikation und Sensing in bistatischen integrierten Systemen über gedächtnislose Relaiskanäle, indem er eine Kapazitäts-Verzerrungs-Funktion ableitet und durch einen hybriden Kodierungsansatz sowie spezifische obere und untere Schranken charakterisiert.
Die Arbeit definiert eine Metrik für kategorische Zufallsvariablen basierend auf Entropie und symmetrischer Unsicherheit, zeigt, dass diese einen Quotientenraum bildet, und beweist, dass dieser Raum eine mit der Topologie verträgliche, kontinuierliche kommutative Monoidstruktur besitzt.
Dieser Artikel schließt eine bestehende Forschungslücke, indem er eine exakte analytische Kanalimpulsantwort für einen vollständig absorbierenden sphärischen Empfänger unter dem Einfluss einer gleichförmigen Drift beliebiger Richtung herleitet, indem er Girsanovs Maßwechsel nutzt, um den Drifteffekt als expliziten multiplikativen Faktor zu isolieren und so eine präzise Referenz ohne Monte-Carlo-Simulationen zu ermöglichen.
Die Arbeit stellt PANDAExpress vor, einen vereinfachten und schnelleren Algorithmus, der durch eine neue probabilistische Ungleichung und ein dynamisches Hyperplane-Cut-Splitting-Verfahren den bisher unpraktischen polylogarithmischen Faktor der Laufzeit des ursprünglichen PANDA-Algorithmus eliminiert und dabei dessen Allgemeingültigkeit für konjunktive Abfragen und disjunktive Datalog-Regeln unter beliebigen Gradbeschränkungen bewahrt.
Diese Arbeit vervollständigt Le Cams Programm, indem sie eine notwendige und hinreichende Bedingung für die Testierbarkeit von Hypothesen ohne die Annahme eines gemeinsamen dominierenden Maßes herleitet, wonach die abgeschlossenen konvexen Hüllen der Wahrscheinlichkeitsmaße im Raum der beschränkten, endlich additiven Maße getrennt sein müssen.
Diese Arbeit stellt ein informationstheoretisches Framework vor, das durch die Maximierung der Kullback-Leibler-Divergenz zwischen Likelihood- und Posterior-Codes optimale Stimulusverteilungen für Experimente identifiziert, um konkurrierende probabilistische neuronale Kodierungshypothesen effektiv zu unterscheiden.
Diese Arbeit stellt ein neuartiges Framework vor, das Large Language Models nutzt, um die CSI-Rückmeldung in FDD-Massive-MIMO-Systemen zu optimieren, indem sie die Aufgabe als maskierte Token-Vorhersage reformuliert und eine informations-theoretische Maskierungsstrategie auf Basis der Selbstinformation anwendet, um die Vorhersagegenauigkeit zu maximieren.