In this paper, a new problem of transmitting information over the adversarial insertion-deletion channel with feedback is introduced. Suppose that we can transmit $n$ binary symbols one-by-one over the channel, in which some symbols can be deleted and some additional symbols can be inserted. After each transmission, the encoder is notified about the insertions or deletions that have occurred within the previous transmission and the encoding strategy can be adapted accordingly. The goal is to design an encoder which is able to transmit as much information as possible under the assumption that the total number of deletions and insertions is limited by $\tau n$, $0<\tau<1$. We show how this problem can be reduced to the problem of transmitting messages over the substitution channel. Thereby, the maximal asymptotic rate of feedback insertion-deletion codes is completely established. For the substitution channel with random errors, an optimal algorithm with a nice intuition behind it was presented in 1963 by Horstein. However, the analysis of this algorithm for the adversarial substitution channel is quite complicated and was completed only 13 years later by Zigangirov. We revisit Zigangirov's result and present a more elaborate version of his proof.


翻译:在本文中,引入了在对抗性插入删除频道上传递信息的新问题。 假设我们可以在频道上逐个传输一美元二元符号, 可以在其中删除某些符号, 并插入一些额外的符号。 每次传输后, 编码器会被告知在先前传输和编码战略中发生的插入或删除。 目标是设计一个编码器, 在假设删除和插入的总数受$\tau n$, $0 ⁇ tau < 1$的限制的情况下, 能够尽可能多地传递信息。 我们展示了如何将这一问题降低到在替代频道上传递信息的问题。 因此, 输入删除代码的反馈最大零缓冲率可以完全建立。 对于带有随机错误的替代频道, Horstein 1963年提出了一种最优直率的最佳算法。 但是, 对这一对抗性替换频道的算法分析相当复杂, 仅13年后Zigagigirov 完成了它目前的详细版本。 我们重新研究Zigangrov 的结果。

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
专知会员服务
42+阅读 · 2020年12月18日
最新《生成式对抗网络》简介,25页ppt
专知会员服务
173+阅读 · 2020年6月28日
【陈天奇】TVM:端到端自动深度学习编译器,244页ppt
专知会员服务
86+阅读 · 2020年5月11日
【反馈循环自编码器】FEEDBACK RECURRENT AUTOENCODER
专知会员服务
22+阅读 · 2020年1月28日
已删除
将门创投
6+阅读 · 2018年12月3日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年3月8日
VIP会员
相关资讯
已删除
将门创投
6+阅读 · 2018年12月3日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员