Asymptotical Analysis of Several Multiple Description Scenarios with L≥ 3 Descriptions
Notice bibliographique
Résumé
This work compares theoretically the performance of several representative practical multiple description (MD) frameworks with L ≥ 3 symmetric descriptions. The first scenario is the classic unequal erasure protection (UEP) scheme using a successively refinable code (SRC) and Reed-Solomon codes. The second scenario is an improvement upon UEP by applying domain partitioning and permuted Reed-Solomon codes. The third scenario uses a finer partitioning and erasure correction via repetition codes. Additionally, the MD lattice vector quantizer and another recent MD scheme are considered in the comparison. The aforementioned MD schemes are compared in terms of the expected squared error asymptotically achievable as the rate R of a description approaches ∞, assuming independent description losses. Our analysis reveals that the improvement of the second scenario upon the first one when R → ∞ can reach up to 1.68 dB, but it approaches 0 as the description loss rate p goes to 0 and L approaches ∞. Additionally, we find that the first two schemes outperform the third one with an unbounded gain when R → ∞, as p→ 0 or L → ∞. Further, we show that the first three scenarios achieve unbounded improvements over the other two as R → ∞ and p → 0. On the other hand, we point out that some of the results of our asymptotic analysis rely on strong assumptions and therefore an experimental validation is needed before applying them to practical situations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».