二元输入离散无记忆信道的量化
提出一种迭代计算分散无记忆信道容量的方法，包括对输入分布的附加约束；利用凸规划的对偶性，获得了容量的显式上下界。该方法的复杂度为 O（M ^ 2 N√（log N）/ε），其中 N 和 M 分别表示输入和输出字母表的大小；单次迭代的复杂度为 O（MN）。同时，针对有限连续输入和可数输出字母表的无记忆信道提出了近似计算容量的方法，在一些关于信道尾部的渐变速率的温和假设下可以实现（离散时间泊松信道属于该问题类），并给出了其在峰值功率输入约束下的上下界估计路段作为案例研究
Jul, 2014
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
本文提出基于凸规划对离散输入字母和有限维输出的经典量子通道容量的迭代估算方法，得到 Holevo 容量的近似值，并且可将其扩展到有界连续输入和有限维输出的通道。
Jul, 2014
本文探讨多用户二进制输入加性白噪声信道上的多址通信，运用随机扩展码分复用技术，对于一类对称分布涂抹系数，在大量用户情况下，我们证明了一个容量的上界，与 Tanaka 公式一致，同时还展示了多个相关量的浓度，包括相互信息，容量和自由能，该数学方法相当普适，可扩展至其他多用户场景。
Mar, 2008
通过实现一种统一的量化方式，消除训练和测试阶段的不匹配，使我们能够使用可完全区分的损失函数学习编码器。当遇到没有关于分布的假设时，这种方法的通用性可能会面临计算上的困难。最后，我们还展示了量化如何通过软量化实现，从而将压缩与无量化桥接起来。
Jun, 2020
本文提出了一种分布式量化方案，旨在用训练数据为分类器设计量化器，不需要先验数据假设，而是专注于正确分类，可在任何特征数、任何类别数和任意特征分布的情况下进行多项式时间量化算法的设计。结果表明，将量化器适应于分类任务可以获得显着的节省，并可在保持预测精度不变的情况下将比特通信数量减少超过两倍。
Nov, 2019
研究信息论中输入成本约束下的数据处理不等式，并提出一种量化信息耗散程度的 Dobrushin 曲线来评估噪声通道的耗散情况，并讨论了该理论在随机控制、噪声电路和噪声信道最大化的应用。
May, 2014
本研究提出了一种基于变量量化的控制器，它能动态分配显著通道和微不足道通道的比特率，同时我们提出了一种高斯混合模型量化器，并通过实验证明了我们的方法能够更好地重构图像并取得更好的性能。
Jul, 2020
通过开发具有位级量化性能优势的联合卷积残差网络（JCResNet），我们提出了一种基于深度学习的 CSI 量化方法，以从多输入多输出（MIMO）信道特征提取和恢复角度来帮助降低 CSI 反馈的开销并提高性能。实验证明，我们提出的方法显著提高了性能。
Sep, 2019