图书信息
内容简介
对 arXiv cs.IT 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 132 篇论文 的细读整理，组织为 37 章，按该领域的研究子方向描绘这一年的全貌。
全书框架（年度产出占比）：
- 无线通信中的深度学习 (15.8%) — 将深度强化学习与生成模型、联邦学习相结合，用于优化复杂无线网络中的预编码、资源分配与信道建模。
- 代数编码理论与译码 (14.2%) — 研究线性码、循环码与里德-所罗门码的新构造与译码算法，关注纠错能力与代数结构。
- 统计推断与复杂度界 (8.7%) — 为高维统计模型中的数据采样、假设检验与隐私保护估计确立最优界与复杂度极限。
- 联合信源信道编码与估计 (8.1%) — 探索联合信源信道编码策略与先进信道估计技术，包括面向 MIMO 与 RIS 系统的深度学习方法。
- 可重构与可移动天线系统 (8.0%) — 研究流形、可移动与可重构天线系统的优化技术，以增强无线网络的覆盖、波束成形与能效。
- 信息论基础与几何 (6.9%) — 运用信息几何与基本信息不等式，分析信息系统的理论极限、复杂度度量与热力学方面。
- 率失真与语义通信 (6.3%) — 分析率失真权衡与语义通信框架，关注有限块长条件下的压缩效率与失真缓解。
- 量子编码与信道容量 (5.7%) — 考察量子 LDPC 码、纠缠辅助通信与量子信道容量界，包括量子纠错的译码算法。
- 大规模 MIMO 与无蜂窝系统 (5.0%) — 优化大规模 MIMO 与无蜂窝架构中的波束成形、信道获取与干扰管理，面向下一代无线网络。
- 熵方法与随机接入 (3.8%) — 利用最大熵原理与信息度量分析随机接入协议、复用策略与随机变量的分布性质。
- 面向智能无线网络的机器学习 (17.6%) — 运用深度强化学习、生成模型与联邦学习优化无线网络的预编码、资源分配与信道建模。
每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。
