最大化定向信息的 Blahut-Arimoto 算法扩展
提出一种基于数据驱动的算法,利用最小化通道输出上的参考分布来估算未知通道法和连续输出字母表上通道容量上界的估算方法,并使用修改的互信息神经估计器来计算所需的条件通道和参考分布之间的散度最大化,在不同的无记忆通道上进行数字评估,证明了该方法估算的上界要么接近通道容量,要么接近最佳已知下界。
May, 2022
提出了四种估计器用于有限字母过程对之间的有向信息速率,基于通用概率分配。利用这些理论结果,使用上下文树加权算法作为通用概率分配实现了提出的估计器,并在合成和实际数据上进行了实验,证明了提出的方案的潜力及有向信息估计在检测和测量因果影响和延迟方面的实用性。
Jan, 2012
通过使用一维根查找步骤和牛顿法更新固定乘数的 Blahut-Arimoto 算法的新修改版,可以使算法更加灵活和高效,直接计算给定目标失真下的速率失真函数,并且收敛速度为 O(1/n)。
May, 2023
研究了在联合过程是给定记忆长度的马尔可夫链的情况下,通过插件(或最大似然)估计算法来估算两个离散过程 {Xn} 和 {Yn} 之间的有向信息速率的问题。插件估计器被证明是渐近高斯的,并在适当条件下以最优速率 O(1/√n)收敛;这是第一个已被证明可以达到此速率的估计器。同时,该研究发现估算有向信息速率的问题与执行关于两个过程之间因果关系存在的假设检验问题之间存在重要联系。 这些结果有助于设计实际的似然比检验,以检验因果影响的存在或不存在。
Jul, 2015
研究多个编码器分别以某种方式压缩其观察结果的分布式信息瓶颈问题,建立单字母表征信息率区间的模型,并针对离散无记忆源和无记忆向量高斯源,提出 Blahut-Arimoto 类型的迭代算法,通过迭代一组自洽方程来计算最优的信息率与复杂度之间的权衡。
Sep, 2017
利用神经分布转换器(NDT)模型对连续字母信道进行容量估计,从而推导出一种新的估计框架来逐步最大化目标函数中的分数,以便进行准确的估计。
Mar, 2020
本篇论文提出了基于 Monte Carlo 算法的二维源 / 信道模型信息速率计算方法,以允许的输入配置为限制的二进制输入信道为重点研究对象。通过采用基于树的 Gibbs 抽样和多层(多温度)重要性抽样算法,提出了计算 Monte Carlo 估计分区函数的方法。通过模拟结果的验证,证明了所提算法的可行性。
May, 2011