🔢 mathematics

Mismatch Capacity under Stochastic Decoding

यह शोध पत्र मिसमैच्ड स्टोकेस्टिक डिकोडिंग के तहत चैनल क्षमता के लिए एक सामान्य सूचना-स्पेक्ट्रम सूत्र व्युत्पन्न करता है, जो यह सिद्ध करता है कि जब सामान्यीकृत मिसमैच्ड सूचना घनत्व यूनिफॉर्मली इंटीग्रेबल होते हैं, तो डिस्क्रीट-मेमोरीलेस चैनलों के लिए सिस्ज़ार-नारायण अनुमान (Csiszár-Narayan conjecture) सटीक है।

मूल लेखक: Francesc Molina, Albert Guillen i Fabregas

प्रकाशित 2026-04-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Francesc Molina, Albert Guillen i Fabregas

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शोर भरे कमरे में अपने दोस्त को एक गुप्त संदेश भेजने की कोशिश कर रहे हैं। सूचना सिद्धांत (information theory) की आदर्श दुनिया में, आपका दोस्त जानता है कि शोर कैसे काम करता है। वह जानता है कि यदि आप "A" फुसफुसाते हैं, तो शोर 10% बार उसे "B" में बदल सकता है। क्योंकि वह नियमों को जानता है, इसलिए वह अपने संदेश का अनुमान लगाने के लिए मैक्सिमम लाइकलीहुड डिकोडर (Maximum Likelihood Decoder) का उपयोग कर सकता है—जो सबसे चतुर जासूस है—और लगभग पूर्ण सटीकता के साथ आपका संदेश पहचान सकता है। यह एक "मैच किया हुआ" (matched) परिदृश्य है।

लेकिन क्या होगा अगर आपका दोस्त नियमों को नहीं जानता? शायद शोर हर दिन बदल जाता है, या शायद वह एक सस्ते, पुराने माइक्रोफ़ोन का उपयोग कर रहा है जो आवाज़ों को अजीब तरीके से विकृत कर देता है। उसे अपना संदेश अनुमानित करने के लिए एक डिकोडिंग मेट्रिक (Decoding Metric) का उपयोग करना होगा—जो नियमों का एक ऐसा सेट है जिसे उसने खुद बनाया है। इसे मिसमैच्ड डकोडिंग (Mismatched Decoding) कहा जाता है।

यह शोध पत्र आपके दोस्त के लिए एक विशेष, चतुर तरीके के बारे में है जिससे वह आपका संदेश अनुमानित कर सकता है जब उसे वास्तविक नियमों का ज्ञान नहीं होता: स्टोकेस्टिक लाइकलीहुड डिकोडर (Stochastic Likelihood Decoder)।

समस्या: "सबसे अच्छा अनुमान" का जाल

आमतौर पर, जब कोई व्यक्ति गलत नियमों के साथ किसी संदेश को डिकोड करने की कोशिश करता है, तो वह सभी संभावित संदेशों को देखता है और उनमें से उस एक को चुनता है जो उसके त्रुटिपूर्ण नियमों के अनुसार सबसे अच्छा दिखता है। यह एक जासूस की तरह है जो संदिग्धों की एक लाइन को देख रहा है और उस व्यक्ति की ओर इशारा कर रहा है जो सबसे अधिक दोषी दिखता है, बाकी सभी को अनदेखा करते हुए।

समस्या यह है कि यदि नियम थोड़े भी गलत हैं, तो वह "सबसे अधिक दोषी" संदिग्ध वास्तव में निर्दोष हो सकता है, और असली अपराधी वह हो सकता है जिसे उन्होंने अनदेखा कर दिया।

समाधान: "रूलेट व्हील" दृष्टिकोण

इस शोध पत्र के लेखक एक अलग रणनीति प्रस्तावित करते हैं। केवल एक "सबसे अच्छे" संदेश को चुनने के बजाय, कल्पना कीजिए कि आपका दोस्त सभी संभावित संदेशों को एक रूलेट व्हील (roulette wheel) पर रखता है।

यदि कोई संदेश उनके त्रुटिपूर्ण नियमों के अनुसार बहुत संभावित दिखता है, तो उसे पहिये का एक बड़ा हिस्सा मिलता है।
यदि कोई संदेश असंभव दिखता है, तो उसे कोई हिस्सा नहीं मिलता।
यदि कोई संदेश असंभव दिखता है, तो उसे कोई हिस्सा नहीं मिलता।

फिर, वे पहिया घुमाते हैं। पहिया जिस संदेश पर रुकता है, वही उनका अनुमान होता है। यह स्टोकेस्टिक डिकोडर (Stochastic Decoder) है।

यह क्यों शानदार है?
भले ही पहिया उनके गलत नियमों से पक्षपाती हो, लेकिन गणित यह दिखाता है कि यह "रूलेट" विधि आश्चर्यजनक रूप से शक्तिशाली है। यह पता चलता है कि कई प्रकार के शोर के लिए, यह यादृच्छिक अनुमान लगाने की रणनीति उतनी ही अच्छी तरह प्रदर्शन करती है जितना कि वह सुपर-स्मार्ट जासूस (मैक्सिमम लाइकलीहुड) करेगा—यदि उस जासूस को वास्तविक नियम पता होते। यह कमजोरी (नियमों को न जानना) को ताकत (सभी संभावनाओं को तलाशना) में बदलने का एक तरीका है।

बड़ी खोज: "क्षमता" (Capacity) का सूत्र

इस शोध पत्र का मुख्य लक्ष्य इस प्रश्न का उत्तर देना है: हम गलतियाँ किए बिना इस "रूलेट व्हील" विधि का उपयोग करके संदेश कितनी तेज़ी से भेज सकते हैं?

सूचना सिद्धांत में, इस गति सीमा को चैनल क्षमता (Channel Capacity) कहा जाता है।

लेखकों ने इस गति सीमा की गणना करने के लिए एक नया सूत्र निकाला है। इसे संचार प्रणालियों के लिए एक नए "स्पीडोमीटर" के रूप रूप में समझें जो नियमों को नहीं जानते हैं।

पुराना तरीका: आपको सिस्टम के औसत प्रदर्शन को देखकर गति सीमा की गणना करनी पड़ती थी।
नया तरीका: लेखक दिखाते हैं कि गति सीमा वास्तव में उस "सबसे खराब स्थिति" द्वारा निर्धारित होती है जो सबसे अधिक बार होती है। वे इसे "लिमिट इन्फीरियर इन प्रोबेबिलिटी" (limit inferior in probability) कहते हैं।

उपमा:
कल्पना कीजिए कि आप गड्ढों वाली सड़क पर कार चला रहे हैं।

औसत गति (पुराना तरीका) बहुत अच्छी दिख सकती है क्योंकि आपने चिकने हिस्सों पर तेज़ गति से गाड़ी चलाई।
वास्तविक गति सीमा (नया तरीका) उन सबसे खराब गड्ढों द्वारा निर्धारित होती है जिनमें आप वास्तविक रूप से फंस जाते हैं।

शोध पत्र सिद्ध करता है कि इस "रूलेट व्हील" डिकोडर के लिए, गति सीमा ठीक वही उच्चतम औसत गति है जो आप एक लंबे समय में अपने संदेशों के "सबसे खराब-स्थिति" के प्रदर्शन को देखते हुए प्राप्त कर सकते हैं।

30 साल पुराने रहस्य को सुलझाना

दशकों पहले दो गणितज्ञों ने एक प्रसिद्ध अनुमान (Ciszar-Narayan conjecture) लगाया था। उन्होंने सोचा था: "यदि हम एक विशिष्ट प्रकार के डिकोडिंग मेट्रिक (जैसे कि प्रोडक्ट मेट्रिक, जहाँ हम संदेश के प्रत्येक अक्षर को स्वतंत्र रूप से आंकते हैं) का उपयोग करते हैं, तो क्या हम पूर्ण सैद्धांतिक गति सीमा तक पहुँच सकते हैं?"

लंबे समय तक, कोई निश्चित रूप से नहीं जानता था: यह पूछने जैसा था कि क्या एक विशिष्ट प्रकार का कार इंजन कभी अपनी उच्चतम सैद्धांतिक गति तक पहुँच सकता है।

शोध पत्र का निर्णय:
हाँ! लेखकों ने सिद्ध किया कि इस "रूलेट व्हील" डिकोडर के लिए, उत्तर हाँ है। गति सीमा जिसे पुराना, जटिल गणित बताता है, वास्तव में प्राप्त की जा सकती है। उन्होंने दिखाया कि यदि आप पर्याप्त लंबे संदेशों और सही प्रकार की रैंडम कोडिंग का उपयोग करते हैं, तो आप उस सैद्धांतिक अधिकतम गति तक पहुँच सकते हैं।

यह क्यों मायने रखता है?

सरलता: "रूलेट व्हील" (स्टोकेस्टिक) डिकोडर का गणितीय विश्लेषण करना "एक को चुनने वाले" (मैक्सिमम लाइकलीहुड) डिकोडर की तुलना में बहुत आसान है। यह एक पहेली को हल करने जैसा है जहाँ आप एक टुकड़े को जबरदस्ती फिट करने के बजाय पूरी तस्वीर को देखते हैं।
वास्तविक दुनिया के अनुप्रयोग: वास्तविक दुनिया में, हम अक्सर "शोर" के सटीक नियमों को नहीं जानते (जैसे वायरलेस नेटवर्क या गहरे अंतरिक्ष संचार में)। यह शोध पत्र इंजीनियरों को ऐसे सिस्टम डिजाइन करने के लिए एक नया, विश्वसनीय उपकरण देता है जो नियमों का अनुमान लगाते समय भी अच्छी तरह काम करते हैं।
किताब को बंद करना: यह क्षेत्र में एक लंबे समय से चल रहे विवाद को सुलझाता है, यह पुष्टि करता है कि कुछ कुशल डिकोडिंग विधियाँ सैद्धांतिक रूप से सर्वश्रेष्ठ के समान ही अच्छी हैं।

सारांश

संक्षेप में, यह शोध पत्र कहता है: "यदि आप खेल के नियम नहीं जानते हैं, तो केवल उस एक चाल को न चुनें जो सबसे अच्छी दिखती है। एक पहिया घुमाएं जो इस बात पर आधारित हो कि चालें कितनी अच्छी दिख रही हैं। आश्चर्यजनक रूप से, यह यादृच्छिक दृष्टिकोण उतना ही शक्तिशाली है जितना कि सबसे स्मार्ट रणनीति, और अब हमारे पास यह गणना करने के लिए एक सटीक सूत्र है कि आप कितनी तेज़ी से खेल सकते हैं।"

यहाँ फ्रांसस्क मोलिना और अल्बर्ट गिलिन ई फाब्रेगास के शोध पत्र "Mismatch Capacity under Stochastic Decoding" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सूचना सिद्धांत (information theory) में मिसमैच्ड डिकोडिंग (mismatched decoding) की मौलिक समस्या को संबोधित करता है। मानक संचार परिदृश्यों में, यह माना जाता है कि डिकोडर वास्तविक चैनल ट्रांजिशन लॉ $W(y|x)$ को जानता है और त्रुटि प्रायिकता (error probability) को कम करने के लिए मैक्सिमम लाइकलीहुड (ML) डिकोडिंग का उपयोग करता है। हालाँकि, व्यावहारिक स्थितियों में (जैसे चैनल अनिश्चितता, परिमित-परिशुद्धता अंकगणित, या सरलीकृत मेट्रिक्स), डिकोडर एक निश्चित, उप-इष्टतम (sub-optimal) डिकोडिंग मेट्रिक $q(x, y)$ का उपयोग कर सकता है जो वास्तविक चैनल लॉ से मेल नहीं खाता है।

केंद्रीय चुनौती मिसमैच्ड क्षमता ( $C_M$ ) को लक्षणित करना है—जो एक निश्चित मिसमैच्ड मेट्रिक के तहत अनिश्चित रूप से कम त्रुटि प्रायिकता के साथ प्राप्त की जा सकने वाली उच्चतम दर है। जबकि लोअर बाउंड्स (जैसे जनरलाइज्ड म्यूचुअल इंफॉर्मेशन, GMI, और LM रेट) अच्छी तरह से स्थापित हैं, डिस्क्रीट-मेमोरीलेस चैनल्स (DMCs) के लिए मैक्सिमम मेट्रिक डिकोडिंग के तहत मिसमैच्ड क्षमता के लिए एक सटीक, सामान्य सिंगल-लेटर अपर बाउंड (एक खुला प्रश्न है जिसे सिसज़ार-नारायण अनुमान (Csiszár-Narayan conjecture) कहा जाता है)।

यह शोध पत्र विशेष रूप से मिसमैच्ड स्टोकेस्टिक लाइकलीहुड डिकोडर्स (mismatched stochastic likelihood decoders) की जांच करता है। नियत (deterministic) मैक्सिमम मेट्रिक डिकोडर्स (जो मेट्रिक मान $q$ को अधिकतम करने वाले कोडवर्ड को आउटपुट करते हैं) के विपरीत, एक स्टोकेस्टिक डिकोडर एक संदेश $m$ को मेट्रिक मान $q(x_n(m), y_n)$ के आनुपातिक प्रायिकता के साथ आउटपुट करता है। लेखक इस डिकोडर के लिए एक सामान्य क्षमता सूत्र प्राप्त करने और यह निर्धारित करने का लक्ष्य रखते हैं कि क्या यह सिसज़ार-नारायण अनुमान को हल करता है।

2. कार्यप्रणाली (Methodology)

लेखक इन्फॉर्मेशन-स्पेक्ट्रम विधि (Information-Spectrum Method) का उपयोग करते हैं, जिसे मूल रूप से वर्डू और हान द्वारा सामान्य चैनलों के लिए विकसित किया गया था, और इसे मिसमैच्ड स्टोकेस्टिक सेटिंग के लिए अनुकूलित करते हैं।

स्टोकेस्टिक डिकोडर परिभाषा: डिकोडर संदेश $m$ को इस प्रायिकता के साथ आउटपुट करता है:
$P(\hat{X}_n = x_n(m) | Y_n = y_n) = \frac{q_n(x_n(m), y_n)}{\sum_{\bar{m}=1}^{M_n} q_n(x_n(\bar{m}), y_n)}$
मिसमैच्ड इंफॉर्मेशन डेंसिटी: वे एक सामान्यीकृत मिसमैच्ड इंफॉर्मेशन डेंसिटी अनुक्रम को परिभाषित करते हैं:
$\frac{1}{n} \imath_{q_n}(X_n, Y_n) = \frac{1}{n} \log \frac{q_n(X_n, Y_n)}{\sum_{\bar{x}_n} P_{X_n}(\bar{x}_n) q_n(\bar{x}_n, Y_n)}$
बाउंड्स का व्युत्पन्न (Bounds Derivation):
1. फिनस्टीन-प्रकार का अपर बाउंड (Feinstein-type Upper Bound): वे रैंडम कोडिंग के लिए औसत त्रुटि प्रायिकता पर एक ऊपरी सीमा प्राप्त करते हैं, यह दिखाते हुए कि यह मिसमैच्ड इंफॉर्मेशन डेंसिटी के दर से नीचे गिरने की टेल प्रोबेबिलिटी (tail probability) द्वारा सीमित है।
2. वर्डू-हान-प्रकार का लोअर बाउंड (Verdú-Han-type Lower Bound): वे किसी भी कोड के लिए त्रुटि प्रायिकता पर एक कन्वर्स (लोअर बाउंड) प्राप्त करते हैं, यह दिखाते हुए कि यदि दर इंफॉर्मेशन डेंसिटी के लिमिट इन्फिरियर (limit inferior) से अधिक है, तो त्रुटि प्रायिकता शून्य नहीं हो सकती।
यूनिफॉर्म इंटीग्रेबिलिटी (Uniform Integrability): संभावabilistic सीमाओं (प्रोबेबिलिस्टिक लिमिट इन्फिरियर इन प्रोबेबिलिटी) और अपेक्षाओं (expectations) के बीच के अंतर को पाटने के लिए, लेखक सामान्यीकृत इंफॉर्मेशन डेंसिटी अनुक्रम के यूनिफॉर्म इंटीग्रेबिलिटी की अवधारणा का उपयोग करते हैं। यह विशिष्ट चैनल वर्गों के लिए संभावabilistic सीमा को अपेक्षाओं के सीमा (limit of expectations) में बदलने की अनुमति देता है।

3. मुख्य योगदान (Key Contributions)

A. सामान्य मिसमैच क्षमता सूत्र

प्राथमिक सैद्धांतिक योगदान स्टोकेस्टिक डिकोडिंग के तहत मिसमैच क्षमता के लिए एक सामान्य इंफॉर्मेशन-स्पेक्ट्रम सूत्र का व्युत्पन्न है, जिसे $\bar{C}_q(W)$ द्वारा दर्शाया गया है:
$\bar{C}_q(W) = \sup_{P_X} \underline{I}_q(X; Y)$
जहाँ $\underline{I}_q(X; Y)$ स्पेक्ट्रल इन्फ-मिसमैच्ड इंफॉर्मेशन रेट (spectral inf-mismatched information rate) है, जिसे सामान्यीकृत मिसमैच्ड इंफॉर्मेशन डेंसिटी के लिमिट इन्फिरियर इन प्रोबेबिलिटी के रूप में परिभाषित किया गया है:
$\underline{I}_q(X; Y) \triangleq \text{p-lim inf}_{n \to \infty} \frac{1}{n} \imath_{q_n}(X_n, Y_n)$
यह परिणाम वास्तविक चैनल लाइकलीहुड को डिकोडिंग मेट्रिक से बदलकर, वर्डू-हान सूत्र के साथ एक सीधा समानांतर स्थापित करता है।

B. स्टोकेस्टिक डिकोडर्स के लिए सिसज़ार-नारायण अनुमान की सटीकता

यह शोध पत्र सिद्ध करता है कि प्रोडक्ट डिकोडिंग मेट्रिक्स (product decoding metrics) वाले डिस्क्रीट-मेमोरीलेस चैनल्स (DMCs) के लिए, स्टोकेस्टिक डिकोडर्स के लिए सिसज़ार-नारायण अनुमान सत्य है।

लेखक दिखाते हैं कि हल्के प्रतिबंधों (bounded metrics) के तहत सामान्यीकृत मिसमैच्ड इंफॉर्मेशन डेंसिटी का अनुक्रम यूनिफॉर्मली इंटीग्रेबल है।
फलस्वरूप, संभावabilistic लिमिट इन्फिरियर को अपेक्षाओं के सीमा (limit of expectations) द्वारा प्रतिस्थापित किया जा सकता है।
इससे एक क्षमता सूत्र प्राप्त होता है जो मल्टी-लेटर ऑप्टिमाइज्ड रेट्स के सीमा के रूप में व्यक्त किया गया है:
$\bar{C}_q(W) = \lim_{k \to \infty} \sup_{P_{X^k}} \frac{1}{k} \mathbb{E} \left[ \log \frac{q_k(X^k, Y^k)}{\mathbb{E}[q_k(\bar{X}^k, Y^k) | Y^k]} \right]$
यह पुष्टि करता है कि अनुमानित क्षमता (जो रैंडम कोडिंग के प्रोडक्ट-स्पेस सुधारों पर आधारित है) वास्तव में स्टोकेस्टिक डिकोडर्स का उपयोग करके प्राप्त की जा सकती है।

C. मैक्सिमम मेट्रिक डिकोडिंग के साथ संबंध

लेखक प्रदर्शित करते हैं कि मैक्सिमम मेट्रिक डिकोडिंग ( $C_{mm}^q$ ) के तहत मिसमैच क्षमता, स्टोकेस्टिक डिकोडिंग के तहत मिसमैच क्षमता के लिए एक लोअर बाउंड है।
$\bar{C}_q(W) \leq C_{mm}^q(W)$
यह सहज ज्ञान (intuition) के अनुरूप है, क्योंकि स्टोकेस्टिक डिकोडर, मैक्सिमम मेट्रिक डिकोडर का एक रैंडमाइज्ड संस्करण है। हालाँकि, प्रोडक्ट मेट्रिक्स वाले DMCs के लिए, स्टोकेस्टिक डिकोडर अनुमानित मैक्सिमम मेट्रिक क्षमता के समान क्षमता प्राप्त करता है।

D. टिल्टिंग और ट्रांसफॉर्मेशन के लिए सामान्यीकरण

विश्लेषण को सामान्यीकृत स्टोकेस्टिक डिकोडर्स तक विस्तारित किया गया है जहाँ मेट्रिक को एक गैर-घटते फलन $f(q_n)$ द्वारा रूपांतरित किया जाता है। शोध पत्र दिखाता है कि एक "टिल्टिंग" पैरामीटर $\alpha \geq 1$ (अर्थात, $q^\alpha$ का उपयोग करना) संभावित रूप से प्राप्त दर में सुधार कर सकता है, हालांकि क्षमता सूत्र की संरचना समान रहती है।

4. मुख्य परिणाम (Key Results)

त्रुटि प्रायिकता बाउंड्स: शोध पत्र स्थापित करता है कि किसी भी कोडबुक के लिए, त्रुटि प्रायिकता इस बात से मजबूती से बंधी हुई है कि सामान्यीकृत मिसमैच्ड इंफॉर्मेशन डेंसिटी कोड दर (प्लस/माइनस एक छोटा $\gamma$ ) से नीचे गिर जाती है।
क्षमता समानता (Capacity Equivalence): DMCs और प्रोडक्ट मेट्रिक्स के लिए, मिसमैच क्षमता $k$ -लेटर जनरलाइज्ड म्यूचुअल इंफॉर्मेशन (GMI) या LM रेट के ऑप्टिमाइज्ड सीमा के रूप में है जब $k \to \infty$ ।
स्ट्रॉन्ग कन्वर्स (Strong Converse): शोध पत्र उन स्थितियों को स्थापित करता है जिनमें स्ट्रॉन्ग कन्वर्स गुण लागू होता है (यदि दर क्षमता से अधिक है तो त्रुटि प्रायिकता 1 हो जाती है)।
अपेक्षाओं के माध्यम से अपर बाउंड: जब इंफॉर्मेशन डेंसिटी अनुक्रम यूनिफॉर्मली इंटीग्रेबल होता है, तो क्षमता अपेक्षित मिसमैच्ड इंफॉर्मेशन डेंसिटी की सीमा द्वारा ऊपरी रूप से बंधी होती है। यह अपर बाउंड DMCs के लिए प्राप्त करने योग्य दिखाया गया है।

5. महत्व (Significance)

एक खुले प्रश्न का समाधान: यह शोध पत्र लंबे समय से चल रहे सिसज़ार-नारायण अनुमान को हल करने की दिशा में एक महत्वपूर्ण कदम प्रदान करता है। जबकि सामान्य मामले में डिटरमिनिस्टिक मैक्सिमम मेट्रिक डिकोडर्स के लिए अनुमान खुला है, यह कार्य सिद्ध करता है कि यह स्टोकेस्टिक लाइकलीहुड डिकोडर्स के लिए सटीक (tight) है। यह सुझाव देता है कि अनुमान में "गैप" डिटरमिनिस्टिक डिकोडिंग बाधा के कारण हो सकता है, न कि चैनल/मेट्रिक मिसमैच के कारण।
सरलीकृत विश्लेषण: स्टोकेस्टिक डिकोडर्स का उपयोग करके, लेखक एक ऐसी क्षमता सूत्र और बाउंड प्राप्त करते हैं जो गणितीय रूप से सरल है (जो डिटरमिनिस्टिक मैक्स-मिन ऑपरेशंस से जुड़े जटिल यूनियन बाउंड्स से बचता है), जबकि मैच किए गए मामले में ML डिकोडिंग के समान क्षमता और एरर एक्सपोनेंट्स बनाए रखता है।
एकीकृत ढांचा (Unified Framework): यह कार्य इंफॉर्मेशन-स्पेक्ट्रम फ्रेमवर्क के तहत मिसमैच्ड डिकोडिंग के उपचार को एकीकृत करता है, जो केवल DMCs ही नहीं बल्कि मनमाने (arbitrary) चैनलों और मेट्रिक्स के लिए लागू होने वाला एक सामान्य सूत्र प्रदान करता है।
व्यावहारिक निहितार्थ: परिणाम उत्पाद-स्पेस सुधारों (मेट्रिक गणना के लिए उपयोग किए जाने वाले कोड के ब्लॉक लेंथ को बढ़ाना) के उपयोग को मान्य करते हैं, जो वास्तविक मिसमैच क्षमता के करीब पहुँचने के लिए एक सैद्धांतिक आधार प्रदान करते हैं, जिससे अपूर्ण ज्ञान वाले चैनलों के लिए मजबूत कोडिंग स्कीमों को डिजाइन करने में मदद मिलती है।

संक्षेप में, यह पांडुलिपि स्टोकेस्टिक लाइकलीहुड डिकोडर्स के लिए Csiszár-Narayan क्षमता सीमा को प्राप्त करके मिसमैच्ड डिकोडिंग की सैद्धांतिक समझ को आगे बढ़ाती है, जिससे इस डिकोडिंग प्रतिमान के तहत मिसमैच क्षमता का पूर्ण इंफॉर्मेशन-स्पेक्ट्रम लक्षण वर्णन प्राप्त होता है।