Streaming Data Transmission in the Moderate Deviations and Central Limit\n Regimes
Notice bibliographique
Résumé
We consider streaming data transmission over a discrete memoryless channel. A\nnew message is given to the encoder at the beginning of each block and the\ndecoder decodes each message sequentially, after a delay of $T$ blocks. In this\nstreaming setup, we study the fundamental interplay between the rate and error\nprobability in the central limit and moderate deviations regimes and show that\ni) in the moderate deviations regime, the moderate deviations constant improves\nover the block coding or non-streaming setup by a factor of $T$ and ii) in the\ncentral limit regime, the second-order coding rate improves by a factor of\napproximately $\\sqrt{T}$ for a wide range of channel parameters. For both\nregimes, we propose coding techniques that incorporate a joint encoding of\nfresh and previous messages. In particular, for the central limit regime, we\npropose a coding technique with truncated memory to ensure that a summation of\nconstants, which arises as a result of applications of the central limit\ntheorem, does not diverge in the error analysis.\n Furthermore, we explore interesting variants of the basic streaming setup in\nthe moderate deviations regime. We first consider a scenario with an erasure\noption at the decoder and show that both the exponents of the total error and\nthe undetected error probabilities improve by factors of $T$. Next, by\nutilizing the erasure option, we show that the exponent of the total error\nprobability can be improved to that of the undetected error probability (in the\norder sense) at the expense of a variable decoding delay. Finally, we also\nextend our results to the case where the message rate is not fixed but\nalternates between two values.\n
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».