174 articoli
Questo lavoro presenta un quadro teorico basato sull'informazione che ottimizza la distribuzione degli stimoli sperimentali per massimizzare la capacità di distinguere tra codici neurali probabilistici che rappresentano la funzione di verosimiglianza e quelli che rappresentano la distribuzione a posteriori.
Questo articolo propone un nuovo framework per il feedback dell'informazione sullo stato del canale (CSI) nei sistemi mMIMO FDD, che riformula il problema come previsione di token mascherati e utilizza una strategia di selezione basata sull'auto-informazione per sfruttare l'efficienza dei grandi modelli linguistici (LLM).
Questo lavoro dimostra che qualsiasi codice decodificabile localmente rilassato (RLDC) con errore di soundness inferiore a una certa soglia, anche se non lineare e con completezza imperfetta, può essere trasformato in un codice decodificabile localmente (LDC) con parametri comparabili, generalizzando risultati precedenti e permettendo di derivare nuovi limiti inferiori per RLDC, RLCC e PCPP.
Il lavoro costruisce codici lineari su campi finiti a partire da complessi simpliciali arbitrari, collegando le loro proprietà topologiche ai parametri fondamentali del codice e fornendo criteri geometrici per determinare la distanza minima e costruire famiglie di codici ottimali.
Questo libro esamina i recenti progressi nel list decoding dei codici polinomiali, in particolare i codici di Reed-Solomon, che permettono la correzione di un numero elevato di errori con liste di dimensioni ottimali e algoritmi efficienti, trovando applicazioni sia nella teoria dell'informazione che nell'informatica teorica.
Questo articolo propone un'analisi e un'ottimizzazione del pattern di fascio gaussiano congiunto per sistemi di posizionamento assistito, derivando espressioni in forma chiusa per la probabilità di interruzione e il pattern ottimale in scenari bidimensionali e tridimensionali, dimostrando come tale approccio possa ridurre l'overhead di stima dello stato del canale rispetto ai metodi tradizionali basati sul CSI.
Questo studio dimostra che, quando si applicano vincoli realistici di potenza per ogni punto di accesso, i precodificatori centralizzati perdono il loro vantaggio teorico rispetto alle soluzioni distribuite, rendendo quest'ultime un'opzione più robusta per i sistemi cell-free.
Questo lavoro propone un framework senza addestramento che, sfruttando modelli di diffusione pre-addestrati e un modulo di codifica del canale inverso, permette di navigare l'intera superficie del compromesso tra velocità, distorsione e percezione (RDP) senza necessità di riaddestramento, offrendo una soluzione sia teoricamente fondata che empiricamente efficace per la compressione adattiva.
Questo lavoro presenta un trattamento rigoroso dei codici Goppa differenziali su curve proiettive lisce di genere arbitrario, definendoli tramite fasci invertibili e derivati di Hasse-Schmidt, analizzando la loro dipendenza dai parametri locali, stabilendo un teorema di dualità e dimostrando che ogni codice lineare ammette una struttura di codice Goppa differenziale sulla retta proiettiva.
Il paper propone FedCova, un framework di apprendimento federato robusto che elimina la dipendenza da dati esterni o dispositivi puliti, migliorando la resilienza intrinseca del modello contro le etichette rumorose attraverso un nuovo approccio basato sull'analisi delle covarianze delle caratteristiche per l'encoding, la classificazione e la correzione delle etichette.
Il documento presenta il Criterio Informativo Pivotal (PIC), un metodo di selezione del modello che risolve i limiti dei criteri tradizionali attraverso un'ottimizzazione continua e una penalità adattiva basata su una statistica asintoticamente pivotale, garantendo così una migliore identificazione della struttura reale dei dati e una ridotta complessità del modello.
Questo articolo indaga le soglie di errore per i canali Pauli calcolando limiti inferiori tramite enumeratori di peso dei cosetti, riportando nuovi codici stabilizzatori concatenati con significativa non-additività e fornendo stime per codici di ripetizione concatenati di grandi dimensioni.
Questo studio dimostra che, sebbene l'assenza di equilibrio dettagliato possa inizialmente ostacolare il decadimento esponenziale dell'entropia relativa in semigruppi di Markov quantistici unitali, tale decadimento riemerge a scale temporali finite con una velocità inversamente proporzionale alla forza della dissipazione, un fenomeno definito "rumore auto-limitante".
Il paper presenta un quadro unificato basato sulla geometria convessa e il teorema di Tverberg per costruire e convertire nuovi codici quantistici correttori di errori e porte logiche in spazi di spin, bosonici e permutazionali, ottenendo famiglie di codici con distanza quasi lineare e parametri superiori rispetto alle soluzioni esistenti.