Tight Weighted Second-Order Asymptotics for the Wyner--Ahlswede--Körner Problem Under Regular Posterior Geometry

技术摘要：Wyner–Ahlswede–Körner 问题中紧致的加权二阶渐近分析

问题表述
本文研究了 Wyner–Ahlswede–Körner (WAK) 问题的有限码长二阶渐近特性，该问题是受限辅助信道下的分布式无损源编码模型。在此设定下，一个编码器观测源序列 $X^n$，一个辅助信道观测 $Y^n$，解码器利用来自两个编码器的消息来重建 $Y^n$。一阶速率区域由满足马尔可夫链 $U-X-Y$ 的辅助随机变量 $U$ 表征。

虽然一阶分析已得到充分研究，但二阶分析旨在量化在固定非消失错误概率下，相对于一阶边界的 $\sqrt{n}$ 位移。文献中存在显著的差距在于色散（方差）项。Liu 基于类型的可达性界限确立了一个色散系数 $V_c(P) = \text{Var}[g_P(U, X, Y)]$，其中 $g_P$ 是加权优化信息密度。然而，已知的逆向界限给出了一个严格较小的系数 $V_{\text{type}}(P) = \text{Var}[\jmath_P(X, Y)]$，其中 $\jmath_P$ 是 $g_P$ 关于源对 $(X, Y)$ 的条件期望。这两个系数之间的差异即为剩余方差 $V_{\text{res}}(P) = \mathbb{E}[\text{Var}(g_P(U, X, Y) \mid X, Y)]$，它代表了仅依赖于经验联合类型的逆向分析所无法察觉的优化器辅助律的波动。

方法论与核心见解
本文的核心贡献是通过一个逆向证明，从任意码中重建缺失的剩余方差项。其方法论脱离了标准的单字母化技术，转而采用一种结合了**后验几何（posterior geometry）与随机删除过程（random deletion process）**的方法。

1. 后验原对偶表示（Posterior Primal-Dual Representation）： 将辅助变量优化重新表述为后验单纯形上的凸化问题。WAK 区域的支撑函数通过一个对偶支撑超平面进行表示。这引入了一个非负的后验亏损（posterior deficit） $d_Q(q)$，用于衡量码诱导的后验 $q$ 相对于最优接触集 $S_Q$ 的次优性。
2. 随机删除与鞅分解（Random Deletion and Martingale Decomposition）： 证明采用了对联合类型类进行随机删除的过程。通过以随机顺序揭示源对，码诱导出一系列后验 $q_i$。似然统计量被分解为三个部分：
   • 一个支撑函数得分（类型可见的波动）。
   • 一个非负且可预测的后验亏损（对次优性的惩罚）。
   • 一个中心化的鞅（剩余波动）。
3. 局部化与方差补全（Localization and Variance Completion）： 证明将分析分为“低亏损”路径和“高亏损”路径。
   • 在低亏损路径上，累积的亏损很小，迫使码诱导的后验局部化在最优接触集附近。这些后验的经验重心识别了优化器权重，从而允许恢复剩余方差 $\sigma^2(Q) = V_{\text{res}}(Q)$。
   • 在高亏损路径上，正向亏损过大，无法通过鞅进行补偿，除非发生异常负向波动，因此此类路径对于逆向界限而言是微不足道的。
4. 鞅中心极限定理 (CLT)： 一个关键的技术障碍是，对“低亏损”事件进行条件化会破坏鞅的性质。作者通过**方差补全（variance completion）**解决了这一问题：他们在可预测停止时间之后附加独立的 Rademacher 变量，构造出一个人工鞅。这确保了总的可预测二次变分收敛到所需的方差，而无需对未来的路径进行条件化，从而能够应用鞅 CLT。
5. 高斯卷积（Gaussian Convolution）： 最后一步是将固定类型的高斯界限在经验联合类型上进行平均。类型波动 ($V_{\text{type}}$) 与剩余鞅波动 ($V_{\text{res}}$) 通过高斯卷积结合，产生总色散 $V_c(P)$。

主要结果
在优化测试信道满足局部正则性条件（假设 2）的情况下，本文证明了精确的加权正态近似。具体而言，对于加权对数规模约束 $\log M_1 + c \log M_2 \le n\phi_c(P) + D\sqrt{n}$，错误概率满足：
$$\liminf_{n \to \infty} P_e^{(n)} \ge Q\left( \frac{D}{\sqrt{V_c(P)}} \right)$$
其中 $V_c(P) = \text{Var}[g_P(U, X, Y)]$。该结果与 Liu 的可达性系数相匹配，填补了已知逆向界限与可达性界限之间的差距。

本文进一步将此结果扩展到后验优化器不唯一的情况（假设 3）。它确立了只要所有最优后验分解都诱导出相同的平均单步方差（方差可识别性），高斯近似就成立。

特例化
对于具有二进制对称辅助信道的二进对称源 (BSS)，本文验证了正则性假设并导出了加权色散的闭式表达式：
$$V_c^{\text{BSC}} = c^2 p(1-p) \left( \log \frac{1-a}{a} \right)^2$$
其中 $p$ 是源噪声参数，$c$ 是权重，$a$ 是由优化器决定的有效噪声参数。

意义与主张
本文声称解决了分布式源编码二阶分析中的特定“方差差距”。它证明了以往逆向分析中缺失的条件方差项是由于优化器辅助律产生的真实的固定组合波动。通过利用后验几何重建该律，并利用完成方差的鞅 CLT，作者提供了一个紧致的逆向证明，使其与可达性界限相匹配。

这项工作强调了在带有辅助变量的问题中，“基于类型”的逆向分析是不充分的，因为它平均掉了优化器的条件波动。本文的意义在于其对这种波动的严谨识别，以及开发了一个概率框架（后验局部化和鞅补全）来恢复它，从而建立了 WAF 问题在正则性条件下的精确二阶色散。作者指出，该结果是一个标量加权近似；在非光滑点或方差不可识别的源上，完整的向量二阶区域仍是一个开放性问题。