1 · 序章：四个箭头，零条链定理#

一条链上有四个箭头。每个箭头都有人做到了最好，整条链却没有人能算账。

这句话可以写成一个具体场景：一位工程师面前摆着六份报告，来自信道建模组、信道估计组、CSI 压缩组、反馈协议组、预编码组、调度组。每份报告的数字都在变好：建模误差降 3 dB，估计 NMSE 降 2 dB，反馈开销降 80%，波束对准精度升到 92%……他要回答的问题只有一个：用户的吞吐量会涨多少？

没有人能回答。原因不在仿真不够快，而在于从来没有人写下过那条把六个数字连起来的定理。

本部就是关于这条缺失的定理的。序章要做三件事：说清楚缺的到底是什么，说清楚为什么现有的四门理论加不出来，最后给出本部真正的赌注。这个赌注是：骨架其实已经存在，只是没有人把无线的数字填进去。

本章预备知识

本章只需要概率论、线性代数、信号与系统的本科内容。用到的预备篇章节：

条件概率与贝叶斯公式、熵 \(H(\cdot)\)、互信息 \(I(\cdot;\cdot)\)、二元熵函数 \(h(\cdot)\)、数据处理不等式：预备篇 4。
二元对称信道 BSC 与二元擦除信道 BEC：预备篇 4.5。
条件期望、MMSE 估计等于条件均值：预备篇 4.10。
信道、CSI、导频与信道估计：预备篇 2。
MIMO 预编码与有限速率反馈：预备篇 5。
语义通信、信息瓶颈、AI 空口的当代图景：预备篇 9。

记号提醒：预备篇把二元熵写作 \(H_b(\cdot)\)、BSC 的翻转概率写作 \(\varepsilon\)、BEC 的删除概率写作 \(\delta\)。本章分别改写作 \(h(\cdot)\)、\(q\) 与 \(\epsilon\)，因为本部用 \(\delta\) 表示 Le Cam 亏格（§1.5）。注意本章的 \(\epsilon\) 是 BEC 的擦除概率，不是 BSC 的翻转概率。

**不需要测度论。**全部"马尔可夫核"在本部一律读作"一张条件概率表"。字母表有限时，它就是一个每行加起来等于 1 的矩阵。本章出现的所有实验、退化、模拟，都可以只用矩阵乘法理解。

1.1 一条真实的流水线：每一环都是 SOTA，整条链没有账本#

先把抽象的"链"换成一件真事：AI 空口的 CSI 压缩反馈。

大规模 MIMO 的基站要做预编码，就必须知道下行信道 \(\mathbf{h}\)。终端（UE）通过导频测出 \(\mathbf{h}\) 的一个带噪估计。但 \(\mathbf{h}\) 是几百上千维的复向量，不可能原样送回基站，上行反馈的容量只有几十到几百比特。于是有了这条流水线：

终端测量：导频 → 信道估计 \(\hat{\mathbf{h}}\)。度量是 NMSE（归一化均方误差）。
终端压缩：\(\hat{\mathbf{h}}\) → 一个短码字。2018 年 Wen–Shih–Jin 的 CsiNet [12] 首次把自编码器用在这里，此后七年论文数以千计。度量是 NMSE 与 SGCS（squared generalized cosine similarity，重建向量与真信道方向的余弦相似度平方）。
反馈传输：码字经上行送到基站。度量是比特数与时延。
基站解码与决策：重建 \(\tilde{\mathbf{h}}\) → 预编码 → 选 MCS → 调度。度量是谱效 SE 与 UPT（user perceived throughput，3GPP 的"最终 KPI"）。

四个环节，四类度量，每类都有成熟的优化方法，每环都有人做到了当前最好。

然后 3GPP 在 Release 18 的研究项目里，把整条链端到端评测了一遍。结果写进了 TR 38.843 [18]：

中间 KPI 普遍改善：以 Rel-16 eType II 码本为基线，秩 1 第 1 层的 SGCS 增益在小开销（每层 \(\le 80\) 比特）时多为 2.6%–8.8%，在大开销（\(\ge 230\) 比特）时多为 0.9%–7%。
同等平均 UPT 下，反馈开销能省下一截：4 个来源给出秩 1/2/4 分别省 10.24%–60%、10%–58.33%、8%–79%（FTP 业务）。个别来源用特定的矢量量化码本，在中等开销档省到约 83%。
但最终 KPI 的增益小而参差。FTP 业务下：
- 资源利用率 \(\le 39\%\) 时，平均 UPT 增益在秩 1/2/4 分别只有 0.2% 至 2%、−0.3% 至 6%、−4% 至 6%。
- 利用率 \(\ge 70\%\) 时也只有 0.23% 至 9%、−0.2% 至 15%、−1% 至 17%。

结论章的写法是：RAN1 没能就"推荐 CSI 压缩进入标准化工作"达成共识。列在首位的理由是性能与复杂度/开销之间的权衡，另一条是跨厂商联合训练的问题。

以上数字均出自 TR 38.843 V18.0.0（2023-12）第 6.2.2.1、6.2.2.8 节与第 8 章结论 [18]。

同一份 TR 的泛化评估（第 6.2.2.2 节）还有更刺眼的一组。模型在一种部署场景训练、拿到另一种场景使用（UMi→UMa、UMa→UMi、UMa→InH）时，13 个来源报告 SGCS 相对"就地训练"退化 \(-1.69\%\) 到 \(-31.6\%\)，另有 14 个来源报告退化不到 1.6% 甚至略有提升。第 2 章 §2.1 引用的综述转述的就是这组数。

要看清，这是中间 KPI 本身的退化，不是吞吐的退化。同一个模型在一处测得的改善，换个场景可能几乎不掉，也可能掉三成。

标准组织的反应很直接。Rel-19 立项了 CSI 预测、波束预测、定位三个 AI/ML 工作项，唯独把 CSI 压缩推迟了。到 Rel-20 才重新推进两侧模型，核心议题变成跨厂商训练协作与互操作。

陷阱：这不是“AI 不行”，也不是“仿真不准”

别把上面的故事读成"深度学习被证伪了"。中间 KPI 的改善真实且可复现，问题出在别处：没有人知道 SGCS 的 0.03 值多少 Mbps。

这个"不知道"是类型问题，不是精度问题。SGCS 是余弦相似度，UPT 是速率，换算需要一条定理，而定理不存在。

通行做法是跑仿真。但仿真只对这一组参数给答案，换个场景就要重跑，而且不告诉你为什么。仿真是查表，不是汇率。

学术产权方面，"NMSE 改善不蕴含吞吐改善"是文献共识，不是本站发现。TR 38.843 的评估是它的官方版本。2024 年 Guo 等 [19]【预印本·未评审】直接用下行 SE 替代 MSE 做训练损失，并报告"以最终任务为目标训练出的、重建更差的模型，可以胜过 NMSE 更优的重建"。

本站的新意只有一处：把这些散落各处的"换不了算"现象统一成一条组织原则，并指出它对应哪一条缺失的定理。

到此为止我们得到了什么

一个可以被数字钉死的空白。四个环节各有度量、各有 SOTA，而"上一环的一个单位改善值下一环多少"这个换算，在整条链上一次也没有被写下来过。

1.2 把链写成算子复合：四个箭头，四种互不换算的度量#

现在把故事抽象成记号，目的是让"哪一环缺定理"这句话有地方落脚。

1.2.1 链与四个箭头#

定义 1.1（链与四个箭头）

本部研究的对象是下面这条算子复合链：

\[ \mathcal{E}\ \xrightarrow{\ \Phi\ }\ h\ \xrightarrow{\ \mathcal{C}\ }\ y\ \xrightarrow{\ \mathcal{D}\ }\ \tilde{h}\ \xrightarrow{\ \pi\ }\ a , \]

紧凑写法为

\[ T=\pi\circ\mathcal{D}\circ\mathcal{C}\circ\Phi(\mathcal{E}) . \]

这是本部统一的约定：本部各章都沿用这里的写法与下面逐个解释的记号。

记号逐个解释

\(\mathcal{E}\)：环境（environment）。房间的几何、材质、家具、人，是第一部的研究对象。
\(\Phi\)：传播算子（propagation operator）。Maxwell 方程把环境映成信道，\(h=\Phi(\mathcal{E})\)（第一部第 2 章）。
\(\mathcal{C}\)：观测与编码（observation and encoding）。导频、前端、量化、压缩，把 \(h\) 变成手上的 \(y\)。
\(\mathcal{D}\)：译码与重建（decoding）。把 \(y\) 变成基站手上的 \(\tilde{h}\)。
\(\pi\)：决策规则（decision rule / policy）。把 \(\tilde{h}\) 变成动作 \(a\)（选哪个波束、什么 MCS、调度谁）。
\(T=(A_T,L_T)\)：任务（task）。包含动作集 \(A_T\) 与损失 \(L_T(\theta,a)\)，\(\theta\) 是决策者关心的未知状态（例如"链路通还是被挡"）。记 \(\|L_T\|:=\sup L_T-\inf L_T\)，称损失的振幅。

记号提醒：字母 \(T\) 身兼两职。上面的紧凑写法里，\(T\) 指整条链的输出，也就是动作 \(a\)。这一条里，\(T\) 指这条链要完成的任务。凡是 \(T\) 出现在下标里（\(A_T\)、\(L_T\)、\(r_T\)），都指任务。

与本部统一记号的对应：\(\mathcal{E}_0\)（环境全知）\(\to\mathcal{E}_1\)（信道 \(h\)）\(\to\mathcal{E}_2\)（观测 \(y\)）\(\to\mathcal{E}_3\)（译码输出 \(\tilde{h}\)）。

这里带下标的 \(\mathcal{E}_k\) 不再是环境本身，而是"决策者只能看到链上第 \(k\) 个节点"这样一种观测方案，统计上叫实验（白话定义见 §1.2 算例 1.1 之后）。\(\mathcal{E}_0\) 直接看到环境，\(\mathcal{E}_3\) 只看到译码输出 \(\tilde{h}\)。

四个箭头，四种度量，四门理论。它们各自都很成熟，问题是它们互相不说话：

环	箭头	主流理论	该环的度量	对下一环说得上话吗
环境 → 信道	\(\Phi\)	电磁与逆问题（第一部）	有效维度 \(d_{\mathrm{eff}}(E;\varepsilon)\)（\(\varepsilon\)-秩）、DoF、可辨识性	不能。\(\varepsilon\)-秩不告诉你容量
信道 → 观测	\(\mathcal{C}\)	香农信息论	容量 \(C\)、率失真 \(R(D)\)、互信息 \(I(h;y)\)	不能。比特数不告诉你 MSE
观测 → 重建	\(\mathcal{D}\)	估计论	MSE / NMSE、CRB、SGCS	不能。MSE 不告诉你决策错多少
重建 → 动作	\(\pi\)	统计决策论 / 控制	Bayes 风险 \(r_T\)、后悔 regret	只有它直接对着效用

第一部第 8 章的 \(d_{\mathrm{eff}}(E;\varepsilon):=\#\{j:\sigma_j(\mathrm{D}\Phi[E])>\varepsilon\sigma_1\}\) 与会议室算例 \(1.3\times10^{5}\)，就是第一行那个度量的具体形态。

1.2.2 算例 1.1：三个度量，三种排序#

"互相不说话"是很强的指控，需要证据。最干净的证据是一个两台仪器、三个度量、三种排序的例子。它是第 2 章的承重算例，本章原样引用。

算例 1.1（承重反例：三个度量给出三种排序）

两台"仪器"，都用来观测同一个二元状态 \(\theta\in\{+1,-1\}\)（例如"链路通 / 链路被挡"），先验等概。星座约定 \(\theta=\pm1\) 必须写明：若改用 \(\{0,1\}\)，下面所有 MSE 数字都要除以 4。

仪器 A：BEC(0.6)（二元擦除信道，擦除概率 \(\epsilon=0.6\)）。输出取值于 \(\{+1,\ \mathrm{e},\ -1\}\)，\(\mathrm{e}\) 表示"什么也没看到"。条件概率表的行是状态，列是读数，顺序 \((+1,\mathrm{e},-1)\)：

\[ \mathbf{P}^{\mathrm{BEC}(0.6)}=\begin{pmatrix}0.4&0.6&0\\0&0.6&0.4\end{pmatrix}. \]

仪器 B：BSC(0.2)（二元对称信道，交叉概率 \(q=0.2\)）。输出取值于 \(\{+1,-1\}\)：

\[ \mathbf{P}^{\mathrm{BSC}(0.2)}=\begin{pmatrix}0.8&0.2\\0.2&0.8\end{pmatrix}. \]

一句话对照：BEC 从不骗你但经常什么都不说，BSC 总说点什么但有时是假的。

度量一：互信息（信息论）

BEC 的擦除事件与 \(\theta\) 独立，没擦除时完全知道 \(\theta\)，故 \(H(\theta\mid y)=\epsilon H(\theta)+(1-\epsilon)\cdot 0=\epsilon\)，于是

\[ I_{\mathrm{BEC}}=H(\theta)-H(\theta\mid y)=1-\epsilon=\mathbf{0.400}\ \text{bit}. \]

BSC 输出等概，故 \(H(y)=1\)。给定 \(\theta\) 时输出是伯努利(\(q\))，\(H(y\mid\theta)=h(q)\)。代入 \(q=0.2\)：\(h(0.2)=0.2\times2.3219+0.8\times0.3219=0.7219\)，于是

\[ I_{\mathrm{BSC}}=1-h(0.2)=\mathbf{0.2781}\ \text{bit}. \]

BEC 赢 0.122 比特。

度量二：MMSE（估计论）

BEC：没擦除时估计值即真值，误差 0。擦除时最优估计 \(\mathbb{E}[\theta\mid\mathrm{e}]=0\)，误差 \(\theta^2=1\)。故 \(\mathrm{MMSE}_{\mathrm{BEC}}=\epsilon=\mathbf{0.60}\)。

BSC：MMSE 估计就是条件均值 \(\mathbb{E}[\theta\mid y]\)（预备篇 4.10）。

**第一步：求条件均值。**先验等概，由贝叶斯公式 \(\Pr\{\theta=+1\mid y=+1\}=\frac{0.5(1-q)}{0.5(1-q)+0.5q}=1-q\)，故 \(\mathbb{E}[\theta\mid y=+1]=(1-q)-q=1-2q\)。由对称性 \(\mathbb{E}[\theta\mid y=-1]=-(1-2q)\)，合写为 \(\mathbb{E}[\theta\mid y]=(1-2q)y\)。

第二步：求乘积的期望。\(\theta y=+1\)（读数正确）的概率是 \(1-q\)，\(\theta y=-1\) 的概率是 \(q\)，得 \(\mathbb{E}[\theta y]=1-2q\)。

**第三步：展开平方。**用 \(\theta^2=y^2=1\)：

\[ \begin{aligned} \mathrm{MMSE}_{\mathrm{BSC}} &=\mathbb{E}[\theta^2]-2(1-2q)\mathbb{E}[\theta y]+(1-2q)^2\mathbb{E}[y^2]\\ &=1-2(1-2q)^2+(1-2q)^2\\ &=1-(1-2q)^2=4q(1-q)=4(0.2)(0.8)=\mathbf{0.64}. \end{aligned} \]

BEC 又赢 0.04。

度量三：最优硬判决错误概率（决策论）

BEC：没擦除判对，擦除只能猜，错一半，\(P_{\mathrm{e}}^{\mathrm{BEC}}=\epsilon/2=\mathbf{0.30}\)。BSC：最大后验判决就是"照读数报"，\(P_{\mathrm{e}}^{\mathrm{BSC}}=q=\mathbf{0.20}\)。

这一次 BSC 赢 0.10。

校验

(a) 独立复算：三个闭式各自代入 \(\epsilon=0.6\)、\(q=0.2\)：\(1-\epsilon=0.400\)、\(\epsilon=0.60\)、\(\epsilon/2=0.30\)；\(1-h(0.2)=0.2781\)、\(4q(1-q)=0.64\)、\(q=0.20\) ✓。
(b) 恒等式检验：\(1-(1-2q)^2=1-0.36=0.64=4\times0.2\times0.8\)，两种参数化给出同一个数 ✓。
(c) 极限退化：\(\epsilon\to0\) 时三项 \(\to(1,\,0,\,0)\)（完美观测），\(\epsilon\to1\) 时 \(\to(0,\,1,\,0.5)\)（一无所知）。\(q\to0\) 与 \(q\to1/2\) 时 BSC 三项退化到同样这两组 ✓。
(d) 与第 2 章交叉核对：本例的三组数字与第 2 章算例 2.2 逐位一致 ✓。

1.2.3 不可比的实验与记号约定#

这个例子里没有哪个度量算错。它说明的是：

NMSE、互信息、判决错误率都是合法的度量，但它们不是同一个序。在同一对方案上，它们会给出互相冲突的排名。

第 2 章把这个结论推到极限形态：Blackwell 序（Blackwell order），即"\(\mathcal{E}\) 在一切任务上都不输于 \(\mathcal{F}\)"，是偏序（partial order）而非全序，绝大多数成对方案根本不可比。算例 1.1 的两台仪器就是一对不可比的实验：MMSE 任务上 BEC 赢，硬判决任务上 BSC 赢，谁都做不到"在一切任务上不输"。

详见第 2 章 §2.5，那里还给出了它在 less noisy 意义下仍可比的精确边界。less noisy 是比 Blackwell 序弱的一种比较：只要求对任何由 \(\theta\) 派生出的随机变量 \(U\)，\(\mathcal{E}\) 的读数保留的关于 \(U\) 的互信息都不少于 \(\mathcal{F}\) 的读数。

上段的 \(\mathcal{E},\mathcal{F}\) 就是两台"仪器"，统计决策论叫它们实验（statistical experiment），记作 \(\mathcal{E}=(P_\theta)_{\theta\in\Theta}\)：对每个可能的状态 \(\theta\)，给出读数的一个概率分布 \(P_\theta\)。字母表有限时，它就是算例 1.1 那样的条件概率表，第 \(\theta\) 行就是 \(P_\theta\)。

例如 BEC(0.6) 这个实验由 \(P_{+1}=(0.4,\,0.6,\,0)\) 与 \(P_{-1}=(0,\,0.6,\,0.4)\) 组成（正式定义见第 2 章定义 2.1）。

记号提醒：定义 1.1 里不带下标的 \(\mathcal{E}\) 是环境。从这里起，谈 Blackwell 序与亏格时的 \(\mathcal{E},\mathcal{F}\) 都指实验，带下标的 \(\mathcal{E}_k\) 也是实验。

到此为止我们得到了什么

一个记号和一个反例。链被写成了 \(T=\pi\circ\mathcal{D}\circ\mathcal{C}\circ\Phi(\mathcal{E})\)，四环四度量各归其位。算例 1.1 用六个数字证明了这四种度量不能相互替代：问题不在精度不够，它们排的根本不是同一个序。

1.3 两种退化，两种知识：本部的组织原则#

链上会出什么事？量化误差、压缩失真、反馈时延、CSI 老化、跨场景失配、两家厂商的编解码器对不上……看着千头万绪。本部的第一个主张是：这些事只有两类。

1.3.1 两种退化的定义#

定义 1.2（链上知识的两种退化）【本站提法】

设某一环的知识由条件概率表（行随机矩阵）\(\mathbf{P}\) 描述，决策者据此行动。

退化一 · garbling（信息丢了）

存在一个不含 \(\theta\) 的行随机矩阵 \(\mathbf{K}\)，使新的表变成

\[ \mathbf{Q}=\mathbf{P}\mathbf{K}. \]

观测之后再过一道核：量化、压缩、译码、加噪、丢包，全在此列。

把以 \(\mathbf{P}\) 为表的实验记作 \(\mathcal{E}\)、以 \(\mathbf{Q}\) 为表的记作 \(\mathcal{F}\)，此时记 \(\mathcal{E}\succeq\mathcal{F}\)，读作"\(\mathcal{E}\) 至少与 \(\mathcal{F}\) 一样有信息"（Blackwell 序；正式定义见第 2 章定义 2.2）。

白话：garbling 直译"搅乱"，中文也叫乱化 / 后处理。拿到读数之后，只凭读数本身再做一次（可以带随机性的）加工，不回头偷看 \(\theta\)。

\(\mathbf{K}\) 的第 \((y,z)\) 格是"读数 \(y\) 被加工成 \(z\)"的概率，所有状态共用同一个 \(\mathbf{K}\)。例如给算例 1.1 的 BEC(0.6) 加一道"遇到擦除就扔硬币报 \(\pm1\)"的加工（\(\mathbf{K}\) 的三行依次对应读数 \(+1,\mathrm{e},-1\)）：

\[ \mathbf{P}^{\mathrm{BEC}(0.6)}\mathbf{K} =\begin{pmatrix}0.4&0.6&0\\0&0.6&0.4\end{pmatrix} \begin{pmatrix}1&0\\ \tfrac12&\tfrac12\\0&1\end{pmatrix} =\begin{pmatrix}0.7&0.3\\0.3&0.7\end{pmatrix} =\mathbf{P}^{\mathrm{BSC}(0.3)} . \]

所以 BSC(0.3) 是 BEC(0.6) 的一个 garbling。它的硬判决错误率是 0.30，与算例 1.1 里 BEC(0.6) 的 0.30 相同：擦除时扔硬币，本来就是 BEC 做硬判决的最优做法。

退化二 · misspecification（模型错了）

表没有变成 \(\mathbf{P}\mathbf{K}\)。变的是决策者以为的表：他手上是 \(\tilde{\mathbf{P}}\ne\mathbf{P}\)，并据此算后验、设计译码器与策略。换城市、换厂商、仿真到实网、两侧模型不一致，全在此列。

一句话记住差别：garbling 改的是矩阵本身，misspecification 改的是"你以为的矩阵"。

1.3.2 最小数字例子：两种退化并排#

先用一个 \(2\times2\) 的最小数字例子把两者摆在一起。真实的表是 \(\mathbf{P}=\mathbf{P}^{\mathrm{BSC}(0.1)}\)。

garbling 的样子

再串一个 BSC(0.2)，即 \(\mathbf{K}=\mathbf{P}^{\mathrm{BSC}(0.2)}\)：

\[ \mathbf{P}\mathbf{K} =\begin{pmatrix}0.9&0.1\\0.1&0.9\end{pmatrix} \begin{pmatrix}0.8&0.2\\0.2&0.8\end{pmatrix} =\begin{pmatrix}0.74&0.26\\0.26&0.74\end{pmatrix} =\mathbf{P}^{\mathrm{BSC}(0.26)} . \]

验算：左上角 \(=0.9\times0.8+0.1\times0.2=0.74\)，右上角 \(=0.9\times0.2+0.1\times0.8=0.26\)。另一行由对称性左右互换。表真的变差了：判决错误率从 0.10 升到 0.26。

misspecification 的样子

表还是 \(\mathbf{P}^{\mathrm{BSC}(0.1)}\)，但决策者以为它是 \(\mathbf{P}^{\mathrm{BSC}(0.9)}\)，比如两根天线的标号接反了。他会把每个读数反过来解释，判决错误率从 0.10 跳到 0.90，比任何 garbling 都糟。

可若他只是以为交叉概率是 0.3 而不是 0.1，最优判决规则一点没变，因为二元对称下只要 \(q<1/2\)，MAP 都是"照读数报"。错误率仍是 0.10。模型错了，代价却是零。

这个小例子已经把两种退化的差别说尽了：

关键结论：两种退化的数学性质完全不同

garbling 是单调的：只会让信息变少，方向确定。下一节的数据处理不等式管得住它，Blackwell 与 Le Cam 的整套理论也管得住它。
misspecification 不是单调的：可以造成任意大的损失（上例 0.90），也可以毫发无伤（上例 0.10），甚至在决策者受限时用错的模型反而更好（稳健统计的常见现象）。没有任何数据处理不等式管得住它。

这就是本部用两条线索组织的原因：第 2、3、6 章处理 garbling（第 3 章用间接率失真给任务格定价），第 4 章处理 misspecification。

1.3.3 第二个二分与组织矩阵#

链上还有第二个二分，与第一个正交。第一部第 9 章已指出："易逝品已有定价理论、耐用品还没有。"

直觉：牛奶与冰箱

易逝品（perishable）：观测。这一帧的 CSI、这一次的雷达回波，价值随时间迅速归零（工程名字叫 CSI 老化），用一次就没了。统计决策论里它叫实验（experiment）。
耐用品（durable）：环境知识。信道知识地图、场景模型、训练好的编解码器。一次建库反复使用，成本可摊销到成千上万次决策。统计决策论里它叫先验（prior）或核（kernel）。

香农理论对易逝品有完整定价（容量、率失真），对耐用品几乎无话可说。第一部第 9 章的"知识汇率"\(\Delta C(R_{\mathrm{env}})\)【开放·本站提法】就是这张缺失的价目表。

两个二分交叉，得到本部的组织矩阵：

	garbling（信息丢了）	misspecification（模型错了）
易逝品（观测 / CSI / 回波）	CSI 量化、压缩、丢包、SNR 下降 → 第 2 章（序与亏格）、第 6 章（误差预算）	CSI 老化、错误信道模型、失配译码 → 第 4 章（Lapidoth 最坏噪声、GMI）
耐用品（地图 / 模型 / 先验）	地图分辨率粗化、码本比特数下降、模型压缩 → 第 2 章引理 2.5、第 3 章（任务充分统计量）	跨城市部署、仿真到实网、两侧模型不一致 → 第 4 章（物理泛化界、相位/结构二分）

产权声明：两个退化概念在文献里各自成熟。garbling 来自 Blackwell 1953 [3]，misspecification 来自失配译码与分布偏移学习论。耐用品和易逝品是经济学的老比喻。

把二者交叉成一张 \(2\times2\) 表来组织无线链上的知识退化，是本站提法【本站提法】，不是文献共识。

当代场景在"两种退化 × 两种知识"平面上的位置

怎么读这张图：横轴是"痛点更像信息被后处理掉了，还是更像模型描述错了对象"；纵轴是"受影响的知识更像用一次就没的观测，还是更像可摊销的模型"。

坐标是本站按定义 1.2 对七个场景做的定性定位【本站提法】，不是测量值，用途是指出该去本部的哪一章：左下去第 2、6 章，左上去第 2、3 章，右侧去第 4 章。3GPP 两侧模型落在右上角最远处。它同时是耐用品问题和模型错误问题，这是它最难的原因。

到此为止我们得到了什么

一张组织表。链上千头万绪的故障被归成两类退化（信息丢了 / 模型错了）与两类知识（易逝品 / 耐用品），四个格子分别对应本部的四章。这张表不是分类学趣味，它决定了一个具体的工程问题该用哪套数学。

1.4 数据处理不等式：只给方向，不给汇率#

信息论里确实有一条"链上的定理"，而且是第一门课就教的那条：数据处理不等式（data processing inequality，DPI）。本节把它老实写一遍，再指出它为什么不够用。

1.4.1 DPI 及其证明#

定理 1.1（数据处理不等式）【已解决（经典）】

设 \(\theta\to y\to z\) 构成马尔可夫链，即给定 \(y\) 之后 \(z\) 与 \(\theta\) 条件独立（\(z\) 只由 \(y\) 生成，不偷看 \(\theta\)）。则

\[ I(\theta;z)\ \le\ I(\theta;y). \]

出处：香农信息论的标准结果，见预备篇 4。

证明（四步，不跳步）

**第一步：把两条链式分解写出来。**互信息的链式法则说，把 \((y,z)\) 一起观测所得到的关于 \(\theta\) 的信息，可以按两种顺序拆开：先算 \(z\) 再补 \(y\)，或者先算 \(y\) 再补 \(z\)。

\[ \begin{aligned} I(\theta;y,z)&=I(\theta;z)+I(\theta;y\mid z),\\ I(\theta;y,z)&=I(\theta;y)+I(\theta;z\mid y). \end{aligned} \]

这一步只用了链式法则本身，两式左端是同一个量，所以右端相等。

**第二步：用马尔可夫性杀掉一项。**马尔可夫性 \(\theta\to y\to z\) 的意思是"给定 \(y\) 时 \(z\) 与 \(\theta\) 条件独立"，而条件互信息为零与条件独立是等价的。

具体地，\(I(\theta;z\mid y)\) 等于"给定 \(y\) 时的联合分布 \(p(\theta,z\mid y)\)"与"两个条件边缘之积 \(p(\theta\mid y)\,p(z\mid y)\)"之间 KL 散度按 \(y\) 的平均（KL 见预备篇 4.4）。条件独立时两者处处相等，KL 为零：

\[ I(\theta;z\mid y)=0 . \]

这一步是全证明唯一用到物理假设的地方：\(z\) 是由 \(y\) 生成的，生成过程不许偷看 \(\theta\)。这与定义 1.2 中 garbling 要求"\(\mathbf{K}\) 里不含 \(\theta\)"是同一句话。

**第三步：代入并整理。**把第二步代进第一步的两个等式，得

\[ I(\theta;z)+I(\theta;y\mid z)=I(\theta;y). \]

**第四步：丢掉一个非负项。**互信息永远非负，\(I(\theta;y\mid z)\ge0\)，故

\[ I(\theta;z)=I(\theta;y)-I(\theta;y\mid z)\ \le\ I(\theta;y).\qquad\blacksquare \]

链 \(\mathcal{E}\to h\to y\to\tilde{h}\to a\) 上每一环的输出只由上一环的输出生成，不回头看环境，所以"环境、第 \(k\) 环、第 \(k+1\) 环"总构成定理 1.1 要求的马尔可夫链（\(\theta\) 取环境 \(\mathcal{E}\)）。逐环用三次，就得到教科书版的"链上定理"。

式中 \(\mathcal{E}\) 是环境。最左边的 \(T\) 按定义 1.1 的紧凑写法指整条链的输出，即动作 \(a\)：

\[ I(\mathcal{E};T)\ \le\ I(\mathcal{E};\tilde{h})\ \le\ I(\mathcal{E};y)\ \le\ I(\mathcal{E};h). \]

1.4.2 DPI 没有说什么#

物理意义

这条链说的是一件符合直觉的事：环境的信息只可能在传递中损耗，不可能凭空增加。自编码器再聪明，也不能让重建的 \(\tilde{h}\) 比原始观测 \(y\) 含有更多关于环境的信息。

这是链上唯一一条被普遍承认的定理，它保证了"箭头的方向"。

行为分析

关键在于它没有说什么。第四步丢掉的 \(I(\theta;y\mid z)\) 就是"丢了多少信息"，DPI 把它整个扔掉，只留一个不等号。于是：

它不说丢了多少：掉 0.1 比特可能无关痛痒，也可能是灾难。
它不说丢的那部分值多少：比特是信息的单位，不是价值的单位。
更要命的是它只在链上有效：两个方案若不是彼此的后处理（不构成马尔可夫链），DPI 一句话都说不出来。算例 1.1 的 BEC 与 BSC 就是这样：互信息高 0.122 比特，判决错误率却高 0.10。互信息大的那台仪器，在判决任务上更差。

第三条是本章标题"零条链定理"的技术含义，也是历史上最早被点破的一件事。

命题 1.2（决策的价值不是熵的函数）【已解决（经典）】

信息的决策价值（value of information）由不确定性的概率结构与其经济后果共同决定，不能表示为不确定性的熵（或任何单一信息度量）的函数。

出处：R. A. Howard, "Information Value Theory," IEEE Trans. Systems Science and Cybernetics, vol. 2, no. 1, pp. 22–26, 1966 [5]。

本章的当场演示：算例 1.1 给出一对反例。

	互信息（bit）	判决错误率
BEC(0.6)	0.400	0.30
BSC(0.2)	0.278	0.20

互信息高 0.122 比特，判决多错 10 个百分点。若价值是熵的函数，这不可能发生。

状态：Howard 的论断是 1966 年的经典结论，本站只是演示了它的无线版本【已解决（经典）·本站搬运】。

1.4.3 算例 1.2：汇率是浮动的#

那么工程上究竟有没有汇率？有，但它是浮动的，浮动幅度大到不能当常数用。下面这个算例把"浮动"变成一个具体的倍数。

算例 1.2（1 dB 的 NMSE 到底值多少 bps/Hz）

场景：\(M=4\) 根发射天线的 MU-MIMO 下行，ZF 预编码（预备篇 5），用户用 \(B\) 比特随机矢量量化（random vector quantization，RVQ）码本反馈信道方向。

RVQ 的码本是 \(2^B\) 个随机生成的单位向量，用户只回传其中与自己信道方向夹角最小那一个的 \(B\) 比特编号。比特越多，码本越密，方向误差越小。Jindal 2006 [8] 的定标律给出每用户速率损失上界形如

\[ \Delta R\ \le\ \log_2\bigl(1+P\cdot D\bigr),\qquad D\approx 2^{-B/(M-1)} , \]

其中 \(P\) 是 SNR 的线性值。Jindal 的设定里信道各元素与噪声的方差都是 1，所以 \(P\) 就是总发射功率。\(D\) 是量化引入的方向误差，在这里充当"NMSE"的角色。

上式就是 [8] 的定理 1：\(\Delta R\) 是每个用户相对完美 CSI 迫零的速率差。引理 1 给出 \(D<2^{-B/(M-1)}\) 这一严格上界，原文称它在数值上非常准确。

第一问：要把速率损失压在 1 bps/Hz 以内，需要多少反馈比特？令 \(\log_2(1+PD)\le1\)，即 \(PD\le1\)，即 \(2^{-B/(M-1)}\le1/P\)，取对数：

\[ B\ \ge\ (M-1)\log_2 P . \]

这就是 [8] 定理 3 取 \(b=2\) 的情形：定理 3 说，要把每用户速率差压在 \(\log_2 b\) 以内，只需 \(B=(M-1)\log_2 P-(M-1)\log_2(b-1)\)，\(b=2\) 时第二项为零。它也与第一部第 9 章的口径 \(B\approx(M-1)\log_2 P\) 一致。代入 \(M=4\)：

\(P=10\) dB：\(\log_2 10=3.32\)，\(B\ge 3\times3.32=\mathbf{9.97}\approx10\) 比特。
\(P=20\) dB：\(B\ge 3\times6.64=\mathbf{19.93}\approx20\) 比特。
\(P=30\) dB：\(B\ge 3\times9.97=\mathbf{29.90}\approx30\) 比特。

SNR 每升 10 dB，反馈开销就要增加约 10 比特。这与 Jindal 那条已核实的定性结论一致："反馈速率必须随 SNR(dB) 线性增长，才能保住完整的复用增益。"

第二问（本章真正要问的）：同样 1 dB 的 NMSE 改善值多少速率？记 \(D=10^{d/10}\)，对 \(\Delta R(d)=\log_2(1+P\cdot10^{d/10})\) 求导（链式法则，\(\mathrm{d}D/\mathrm{d}d=D\ln10/10\)）：

\[ \frac{\mathrm{d}\,\Delta R}{\mathrm{d}d} =\frac{P}{(1+PD)\ln 2}\cdot\frac{D\ln 10}{10} =\underbrace{\frac{\ln 10}{10\ln 2}}_{=\,0.3322}\cdot\frac{PD}{1+PD} . \]

从式子可以直接读出答案：边际汇率只依赖乘积 \(PD\)，从 0 连续变到 0.3322。取 \(P=20\) dB（\(P=100\)）：

若 \(D=-20\) dB（\(PD=1\)）：把 NMSE 从 \(-20\) 改善到 \(-21\) dB，\(\Delta R\) 从 \(\log_2 2=1.0000\) 降到 \(\log_2(1+100\times10^{-2.1})=\log_2 1.7943=0.8434\)，省下 0.1566 bps/Hz。
若 \(D=-40\) dB（\(PD=0.01\)）：从 \(-40\) 改善到 \(-41\) dB，\(\Delta R\) 从 \(\log_2 1.01=0.014355\) 降到 \(\log_2 1.0079=0.011414\)，只省下 0.00294 bps/Hz。

同样的 1 dB，值差了 53 倍（\(0.1566/0.00294=53.2\)）。

这还只是同一任务、同一公式内的浮动。换成 64 波束的离散选择任务，1 dB 可能一分不值（没跨过决策边界），也可能值 10 dB（错格）。第一部第 7 章的口径是"增益图差 1 dB 几乎不伤功控，BIM 错一格损失 10 dB 量级"。

校验

(a) 导数与有限差分对照：\(D=-20\) 与 \(-21\) dB 的几何中点处 \(PD=\sqrt{1\times0.7943}=0.8912\)，导数公式给 \(0.3322\times0.8912/1.8912=0.1565\)，与有限差分 \(0.1566\) 相符 ✓。\(-40/-41\) dB 处中点 \(PD=0.008912\)，公式给 \(0.002934\)，有限差分 \(0.002941\) ✓。
(b) 两个极限：\(PD\to\infty\) 时汇率 \(\to0.3322\)，恰等于 \(1/(10\log_{10}2)=1/3.01\)，即"3 dB 换 1 比特"的高 SNR 法则 ✓。\(PD\to0\) 时汇率 \(\to0.3322\,PD\to0\) ✓。
(c) 两问自洽：\(B\ge(M-1)\log_2 P\) 的临界点就是 \(PD=1\)，而该处汇率 \(0.3322/2=0.1661\) 恰是最大值的一半。门限就落在汇率下跌的中点 ✓。

1 dB 的 NMSE 改善值多少 bps/Hz（M=4，ZF+RVQ）

怎么读这张图：两条曲线是同一个式子 \(0.3322\,PD/(1+PD)\) 在 \(P=20\) dB（下方那条）与 \(P=30\) dB（上方那条）下的取值，数据点由算例 1.2 的有限差分逐点算出。

这张图就是"没有汇率"的图像证据：如果 NMSE 与吞吐之间存在一个固定汇率，这两条曲线应当是两条水平直线。实际上它们从 0.0003 一路爬到 0.33，跨越三个数量级，而且随 SNR 整体平移 10 dB。工程含义：在曲线平坦的左端拼命优化 NMSE 是浪费，在陡峭的中段每 1 dB 都值钱。

到此为止我们得到了什么

一条真定理和它的边界。DPI 是链上唯一现成的定理，它给出了方向：信息只减不增。但它丢掉的恰恰是我们要的那一项，而且只在链上有效。一旦两个方案不是彼此的后处理，连方向都没有了（算例 1.1）。Howard 1966 早就说过，价值不是熵的函数。算例 1.2 则量化了这句话：同样 1 dB，汇率能差 53 倍。

1.5 目标形态：带汇率的数据处理不等式#

缺的那条定理长什么样？答案出人意料地朴素：骨架已经写好了 60 年，只是没人把无线的数字填进去。

要把 DPI 从"方向"升级成"汇率"，得换一个量。不再问"丢了几比特"，而问"用退化后的知识去冒充退化前的知识，在最坏的任务上会输多少"。这个量就是 Le Cam 亏格（deficiency）。

1.5.1 Le Cam 亏格#

定义 1.3（Le Cam 亏格，本部统一约定）

总变差距离取半 \(L_1\) 约定：\(\|P-Q\|_{\mathrm{TV}}:=\tfrac12\sum_z|P(z)-Q(z)|\in[0,1]\)。白话：它等于两个分布给同一个事件的概率最多能差多少。例如 \((0.9,\,0.1)\) 与 \((1,\,0)\) 的总变差是 \(\tfrac12(0.1+0.1)=0.1\)，恰是两者给"读数为 \(+1\)"这件事的概率之差。

亏格定义为

\[ \delta(\mathcal{E},\mathcal{F})\ :=\ \inf_{\mathbf{K}}\ \sup_{\theta\in\Theta}\ \bigl\|\mathbf{K}^{\!\top}P_\theta-Q_\theta\bigr\|_{\mathrm{TV}}, \]

其中 \(\mathbf{K}\) 遍历一切行随机矩阵（把 \(\mathcal{E}\) 的观测翻译成 \(\mathcal{F}\) 的观测），读作"用 \(\mathcal{E}\) 模拟 \(\mathcal{F}\) 差多少"。Le Cam 距离 \(\Delta=\max\{\delta(\mathcal{E},\mathcal{F}),\delta(\mathcal{F},\mathcal{E})\}\)。

\(\delta(\mathcal{E},\mathcal{F})=0\iff\mathcal{E}\succeq\mathcal{F}\)：亏格是 Blackwell 序的连续化。序只说"是"或"否"，亏格说"差多少"。出处：Le Cam 1964 [4]，系统论述见 Torgersen 1991 [6]；完整定义与线性规划算法见第 2 章 §2.6。

半 \(L_1\) 约定必须一次讲清：有些文献省略那个 \(\tfrac12\)，此时所有亏格数值整体翻倍。本部全站用半 \(L_1\)。

怎么读定义 1.3 的式子

\(P_\theta\) 是 \(\mathcal{E}\) 的表的第 \(\theta\) 行（写成列向量），\(\mathbf{K}^{\!\top}P_\theta\) 就是矩阵 \(\mathbf{P}\mathbf{K}\) 的第 \(\theta\) 行，即"把 \(\mathcal{E}\) 的读数按 \(\mathbf{K}\) 翻译之后"的分布。

对每个候选的 \(\mathbf{K}\)，先看最坏的 \(\theta\) 下翻译结果离 \(\mathcal{F}\) 的真实分布 \(Q_\theta\) 有多远，再挑最好的 \(\mathbf{K}\)。所以任取一个 \(\mathbf{K}\) 算出来的数都是亏格的上界。

小例子：用 BEC(0.6) 模拟 BSC(0.2)

取 §1.3 那个"擦除就扔硬币"的 \(\mathbf{K}\)，翻译结果是 BSC(0.3)，两行各与 BSC(0.2) 相差 \(\tfrac12(|0.7-0.8|+|0.3-0.2|)=0.10\)，故 \(\delta(\mathrm{BEC},\mathrm{BSC})\le0.10\)。

第 2 章算例 2.3 用线性规划证实 0.10 就是精确值，反方向 \(\delta(\mathrm{BSC},\mathrm{BEC})=0.08\)。两个方向都不为零，这就是"两台仪器不可比"的定量版本：谁也不能完美模拟谁，而各差多少也有了数。

1.5.2 链定理骨架#

亏格能当汇率，靠的是第 2 章的两条性质（原样引用，不改口径）：

定理 2.2（风险界）：损失振幅为 \(\|L_T\|\) 时，对 \(\mathcal{F}\) 上的任何决策规则，存在 \(\mathcal{E}\) 上的规则，使每一个 \(\theta\) 处的风险至多差 \(\|L_T\|\cdot\delta(\mathcal{E},\mathcal{F})\)。
引理 2.3（三角不等式与两条单调性）：
- 三角不等式：\(\delta(\mathcal{E},\mathcal{G})\le\delta(\mathcal{E},\mathcal{F})+\delta(\mathcal{F},\mathcal{G})\)。
- 目标端后处理更容易：\(\delta(\mathcal{E},\mathbf{R}\mathcal{F})\le\delta(\mathcal{E},\mathcal{F})\)。
- 源端后处理更困难：\(\delta(\mathbf{R}\mathcal{E},\mathcal{F})\ge\delta(\mathcal{E},\mathcal{F})\)。

这里 \(\mathbf{R}\mathcal{F}\) 指把 \(\mathcal{F}\) 的读数再过一道行随机矩阵 \(\mathbf{R}\) 得到的实验（表为 \(\mathbf{Q}\mathbf{R}\)）。要模拟的对象变差了，自然更好模拟。自己手上的仪器变差了，就更难模拟别人。

注意：看似自然的"对源与目标做同一次后处理亏格不增"\(\delta(\mathbf{R}\mathcal{E},\mathbf{R}\mathcal{F})\le\delta(\mathcal{E},\mathcal{F})\) 是假的（第 2 章 §2.6 给出四符号反例），本部各章不使用它。

这里的"风险"要分清两种：

逐 \(\theta\) 风险：定理 2.2 说的是它。真实状态为 \(\theta\) 时，某条决策规则的期望损失。
Bayes 风险：下面定理 2.4 里的 \(r_T(\mathcal{E})\) 是它。拿实验 \(\mathcal{E}\) 的读数做任务 \(T\)，先按先验对 \(\theta\) 平均得到期望损失，再在所有决策规则里取最小值。

算例 1.1 的硬判决（0-1 损失，\(\|L_T\|=1\)）就是一例：\(r_T(\mathrm{BEC}(0.6))=0.30\)，\(r_T(\mathrm{BSC}(0.2))=0.20\)。把定理 2.2 用在 \(\mathcal{F}\) 的 Bayes 最优规则上、再对先验取平均，逐 \(\theta\) 的界就变成

\[ r_T(\mathcal{E})\le r_T(\mathcal{F})+\|L_T\|\,\delta(\mathcal{E},\mathcal{F}) \]

这就是风险界的 Bayes 版本。拿上面的小例子验一下：\(0.30\le0.20+1\times0.10\)，恰好取等。

两条一拼，就是本部反复要用的骨架：

定理 2.4（链定理骨架）【已解决（经典）·本站搬运】

对链 \(\mathcal{E}_0\succeq\mathcal{E}_1\succeq\mathcal{E}_2\succeq\mathcal{E}_3\) 与任务 \(T=(A_T,L_T)\)，

\[ r_T(\mathcal{E}_3)-r_T(\mathcal{E}_0)\ \le\ \|L_T\|\cdot\delta(\mathcal{E}_3,\mathcal{E}_0)\ \le\ \|L_T\|\sum_{k=1}^{3}\delta(\mathcal{E}_k,\mathcal{E}_{k-1}). \]

编号与陈述沿用第 2 章 §2.7（该处给出两行证明）。

学术产权声明：风险界是 Le Cam 1964 [4] 的近似充分性，三角不等式与沿链线性累积是 Le Cam–Torgersen 的标准性质 [4][6]。同类结果在预印本 arXiv:2512.23617 定理 4.2 中亦独立出现【预印本·未评审】。本站在此不主张任何新定理。

物理意义

把它和定理 1.1 并排放：

\[ \underbrace{I(\mathcal{E};\tilde h)\le I(\mathcal{E};h)}_{\text{DPI：只说方向}} \qquad\longrightarrow\qquad \underbrace{r_T(\mathcal{E}_3)-r_T(\mathcal{E}_0)\le\|L_T\|\sum_k\delta_k}_{\text{链定理：说了多少}} \]

左边说"信息只减不增"，右边说"每一环丢掉的东西按 \(\|L_T\|\) 折算成任务损失，且最多线性相加"。这就是本章标题所欠的那条定理，本站称之为带汇率的数据处理不等式。

行为分析

方向：链上 \(\delta(\mathcal{E}_{k-1},\mathcal{E}_k)=0\)（后一环本就是前一环的 garbling），真正花钱的是反向亏格 \(\delta(\mathcal{E}_k,\mathcal{E}_{k-1})\)，即"退化之后再想装回去差多少"。这才是每一环的价签。
线性累积：它使精度预算可以像功率预算一样分摊到各环（第 6 章主题）。
通常很松：三角不等式把各环各自的最坏情形叠加，而各环的最坏任务往往不是同一个。第 2 章算例 2.3 量化过：同一个 \(\delta=0.08\) 在 MMSE 任务上松了 8 倍。

1.5.3 算例 1.3：三环链上的误差预算#

下面这个算例把骨架跑一遍，并且让它恰好取等，好让读者看见这条界不是空的。

算例 1.3（三环链上的误差预算：0.10 + 0.16 = 0.26）

链的三环（\(\theta\in\{+1,-1\}\) 等概）：

\(\mathcal{E}_0\)：完美观测，表为单位阵 \(\mathbf{I}_2\)。
\(\mathcal{E}_1\)：经第一道退化 BSC(0.1)（导频噪声）。
\(\mathcal{E}_2\)：再经第二道退化 BSC(0.2)（量化与反馈），由 §1.3 的矩阵乘法得 \(\mathbf{P}^{\mathrm{BSC}(0.26)}\)。

这是一条合法的 garbling 链 \(\mathcal{E}_0\succeq\mathcal{E}_1\succeq\mathcal{E}_2\)。任务：0-1 硬判决，\(\|L_T\|=1\)。

**第一步：算三个 Bayes 风险。**二元对称等概下最优判决就是"照读数报"，风险即交叉概率：

\[ r_T(\mathcal{E}_0)=0,\qquad r_T(\mathcal{E}_1)=0.10,\qquad r_T(\mathcal{E}_2)=0.26 . \]

端到端任务后悔 \(=r_T(\mathcal{E}_2)-r_T(\mathcal{E}_0)=\mathbf{0.26}\)。

**第二步：算第一环的亏格 \(\delta(\mathcal{E}_1,\mathcal{E}_0)\)。**用 \(\mathcal{E}_1\) 的读数去伪造 \(\mathcal{E}_0\) 的读数，取最朴素的翻译矩阵 \(\mathbf{K}=\mathbf{I}_2\)（原样转发）：\(\theta=+1\) 时得分布 \((0.9,0.1)\)，目标 \((1,0)\)，半 \(L_1\) 距离

\[ \tfrac12\bigl(|0.9-1|+|0.1-0|\bigr)=\tfrac12(0.1+0.1)=0.10 . \]

\(\theta=-1\) 由对称性同值，故 \(\delta\le0.10\)。

反过来卡下界：定理 2.2 对 0-1 任务给出 \(r_T(\mathcal{E}_1)-r_T(\mathcal{E}_0)\le\|L_T\|\,\delta\)，即 \(0.10\le\delta\)。两头一夹：

\[ \delta(\mathcal{E}_1,\mathcal{E}_0)=\mathbf{0.10}\ \text{（精确值，不是上界）}. \]

**第三步：算第二环的亏格 \(\delta(\mathcal{E}_2,\mathcal{E}_1)\)。**同样取 \(\mathbf{K}=\mathbf{I}_2\)：\((0.74,0.26)\) 对 \((0.9,0.1)\)，半 \(L_1\) 距离 \(\tfrac12(0.16+0.16)=0.16\)。下界由 0-1 任务给出：\(0.26-0.10=0.16\)。故

\[ \delta(\mathcal{E}_2,\mathcal{E}_1)=\mathbf{0.16}. \]

第四步：把定理 2.4 用上。

\[ \underbrace{0.26}_{\text{实际后悔}}\ \le\ \|L_T\|\sum_{k=1}^{2}\delta(\mathcal{E}_k,\mathcal{E}_{k-1})\ =\ 1\times(0.10+0.16)\ =\ \mathbf{0.26}. \]

界恰好取等。这条链上的误差预算可以精确分摊：导频噪声吃掉 0.10，量化与反馈吃掉 0.16。

校验

(a) 独立途径复算 \(\mathcal{E}_2\)：串联两 BSC 的总错误概率 \(q=p+r-2pr=0.1+0.2-0.04=0.26\)，与 §1.3 的矩阵乘法一致 ✓。相关系数恒等式 \(1-2q=(1-2p)(1-2r)=0.8\times0.6=0.48\Rightarrow q=0.26\)，第三条路径同样得 0.26 ✓。
(b) 三角不等式自洽：\(\mathbf{K}=\mathbf{I}_2\) 给 \(\delta(\mathcal{E}_2,\mathcal{E}_0)\le\tfrac12(0.26+0.26)=0.26\)，0-1 任务下界也是 0.26，故 \(\delta(\mathcal{E}_2,\mathcal{E}_0)=0.26=0.10+0.16\)，引理 2.3(a) 在此取等 ✓。
(c) 换个任务，界仍成立但变松：取归一化二次损失 \(L=(\theta-a)^2/4\in[0,1]\)，风险为 \(q(1-q)\)，三环分别是 \(0\)、\(0.09\)、\(0.1924\)。后悔 \(0.1924\le0.26\) ✓，松了 0.068，与第 2 章算例 2.3(d) 同源 ✓。
(d) 极限退化：令 \(r\to0\)，则 \(\delta(\mathcal{E}_2,\mathcal{E}_1)\to0\)、\(q\to0.1\)，预算退化为单环 0.10 ✓。

1.5.4 本部还剩什么可做#

那么，如果骨架早就有了，本部还剩什么可做？三件事，一件比一件难：

**把每一环的亏格算成数。**算例 1.3 是 \(2\times2\) 玩具。真实的一环是"\(10^5\) 维信道经几十比特的码字"（TR 38.843 评估的小开销档是每层不超过 80 比特），\(\delta\) 是高维优化问题。这是本部的主要工作量（第 6 章）。
**紧化。**任务无关的亏格对一切任务取最坏，必然松。Torgersen 的 \(k\)-亏格 \(\delta_k\) 只对动作数 \(\le k\) 的问题取最坏。
- 定义：把定理 2.2 里的"一切任务"换成"只有 \(k\) 个动作可选的任务"（两边的决策规则都只能在这 \(k\) 个动作里选，损失仍取值于 \([0,1]\)），能保证的最小风险差就是 \(\delta_k\)。
- 无线里 \(k\) 有直接读数：切换 \(k=2\)、64 波束 \(k=64\)、MCS 档位 \(k=29\)。
- \(\delta_k\le\delta\) 是定理 2.2 的直接推论（动作数不超过 \(k\) 的问题也在定理 2.2 管辖之内，风险差都不超过 \(\delta\)），能紧多少是第 3 章的主题。
还要分清一点。定义 1.3 用一个翻译矩阵 \(\mathbf{K}\) 写出的 \(\delta\)，恰好等于"对一切任务取最坏的风险差"，这条等价叫 Le Cam 的随机化准则 [4]。

\(\delta_k\) 的定义不要求共用一个矩阵：\(\mathcal{F}\) 上每一条 \(k\) 动作规则都可以在 \(\mathcal{E}\) 上单独配一条模仿规则，紧化的余地正来自这里【表述待核：\(\delta_k\) 的定义按二手综述核对，Torgersen [6] 第 6 章原文未读到】。
**找出它失效的地方。**定理 2.4 的前提是决策者 Bayes 最优。现实里译码器固定、算力有限、模型是训练出来的。决策者一旦次优，Blackwell 定理的等价链就断了，garbling 甚至可能有益（第 2 章 §2.8 的"发原始 CSI 还是发波束建议"悖论）。它在离散判决环节如何失效，是第 6 章的落点。

到此为止我们得到了什么

本部的目标形态，以及一次诚实的产权划界。带汇率的 DPI 不是本站要证的新定理，它是 Le Cam 1964 的直接推论。本站要做的是把无线链上每一环的 \(\delta\) 算成数、把任务限制版紧化、找出它在离散判决上失效的地方。算例 1.3 给了这条路的最小完整样本：0.10 + 0.16 = 0.26，界取等。

1.6 四个场景，四张缺失的价目表#

组织原则要接得住工程才不算空谈。本节把四个当代场景摆进去，逐个指出：链是哪四环、现在在哪一环优化、缺哪根箭头的汇率、属于哪种退化。

1.6.1 四个场景#

场景	链的四环	目前在优化哪一环	缺的那张价目表	主导退化
AI 空口 CSI 压缩（两侧模型）	信道 → CSI 估计 → 码字（几十到上百比特）→ 预编码 / UPT	第 2、3 环（NMSE、SGCS、比特数）	NMSE / SGCS → UPT	同厂商同场景：garbling；跨厂商跨场景：misspecification
ISAC 感知辅助波束管理	目标状态 → 回波观测 → 感知估计（CRB）→ 波束选择 / 谱效	第 3 环（CRB、检测概率）	感知精度 → 通信增益	garbling 为主（波形受限、量化）
数字孪生驱动的网络运维	真实网络 → 孪生模型 → 仿真预测 → 控制动作 / SLA	第 2 环（孪生保真度）	孪生保真度 → 控制性能	misspecification 为主（孪生 \(\neq\) 实网）
语义 / 目标导向通信	信源语义 → 特征 → 信道传输 → 任务执行 / 成功率	第 2、3 环（语义相似度、特征维度）	语义相似度 → 任务成功率	两者兼有（有损表示 + 共享背景知识不一致）

这张表是本章的骨架：四个场景的困难长得完全不一样，缺的却是同一类东西，即一张把中间量换算成最终量的价目表。定理 2.4 给出的就是这张表的通用（且保守）版本。

三个补充说明，各自钉住一个文献事实：

ISAC 的两条路径不得混写：第一部第 10 章已写明，信息论路径给容量–失真折中 \(C(D)=\max_{p(x)\in\mathcal{P}(D)}I(X;Y\mid S)\)（点对点已解决，广播只有内外界），估计论路径给 CRB–rate 折中，两条路径不同构（综述见 Liu 等 2022 [16]）。
语义通信的合法边界：Gündüz 等 2023 [17] 整理了"超越比特传输"的图景，但预备篇第 9 章的口径是"换了度量不是破了定理"。换了度量，原来那张价目表也一起作废，而新的还没有。
耐用品那一栏最空：CKM 建库是纯耐用品问题。第一部第 7 章的地图 \(m_T(\mathbf{x})=T[P(h\mid\mathbf{x})]\) 有四块互不兼容的理论孤岛，\(\Delta U(\varepsilon)\)【开放·本站提法】完全空白。第 2 章引理 2.5 是第一块砖：嵌套的分辨率族在 Blackwell 序下全序，非嵌套的（5 m 对 7 m）一般不可比。

1.6.2 方法谱系：各自解决了什么、回答不了什么#

工程上并非没人试图跨环。四类方法逐个盘点：

方法	解决了什么	回答不了什么	落点
信息瓶颈 IB（Tishby 1999 [7]）	给定任务变量 \(Y\)，刻画 \(X\) 的最优有损表示：\(\min I(X;Z)-\beta I(Z;Y)\)	需预先指定 \(Y\)；是一条曲线不是一个序；操作意义有条件（见下）	第 3 章任务格
端到端学习（O'Shea–Hoydis 2017 [11]、deep JSCC [13]、CsiNet 一脉 [12]）	把整条链当自编码器联合训练，实证上优雅退化、无悬崖效应	联合优化无最优性保证；训练分布外行为未知；不给汇率只给一个数	第 4 章泛化
可微分仿真（第一部第 5 章）	物理模型接进梯度回路，校准后射线追踪 3–6 dB RMSE	只换一组材质参数，实测 RMSE 就从约 5 dB 升到 8–10.5 dB；一个未建模行人 = 21–30 dB	第 4 章 misspecification
率–失真–感知折中（Blau–Michaeli 2019 [14]）	严格证明：固定码率下改善感知质量一般必然恶化失真	只覆盖"失真 + 感知"两个度量，不覆盖任务族	本章 §1.2 的文献内先例

陷阱：不要说“信息瓶颈没有编码定理”

这句话流传很广，但它过头了。准确的说法是：

在对数损失（log-loss）下，IB 曲线确有操作意义。
- 对数损失是指译码器输出一个概率分布，按它给真值的概率取负对数计损失。
- Courtade–Weissman 2014 [9] 给出了两编码器多端信源编码与 \(m\)-编码器 CEO 问题在对数损失下的单字母率失真区域，IB 曲线正是可达区域的边界。\(m\)-编码器 CEO 问题是指各编码器各自看到同一信源的带噪版本，分别压缩后汇报给一个中心译码器，见第 6 章 §6.6。综述见 Goldfeld–Polyanskiy 2020 [15]。
在一般损失下，没有这样的刻画。把 \(I(X;Z)\) 当成任意任务下反馈开销的普适代理，是越界的。

这是"信息箭头"的精确边界：它在自己的损失函数下是定理，出了这个损失函数就只是一个正则项。变分实现（VIB，Alemi 等 2017 [10]）解决的是可计算性，不改变这条边界。

最后把产权说清楚。"同一条链上两个度量互不换算"不是本站的发现：Blau–Michaeli 2019 [14] 就是文献内既有的严格先例，那里是失真与感知，这里是 NMSE 与 UPT。

本站只是把这类点状先例统一成一条组织原则，并指出它们缺的是同一条定理。

到此为止我们得到了什么

四个场景、四张缺失的价目表、四类现有方法的边界。IB 只在对数损失下是定理，端到端学习没有保证，可微仿真被材质误差卡住（只换材质参数，RMSE 就从约 5 dB 升到 8–10.5 dB），率–失真–感知只覆盖两个度量。它们回答不了的那部分，正好拼成本部要立的三条定理。

1.7 本部地图、三张价目表，与怎么读这一部#

1.7.1 从"信息"到"信息的价值"：本部工具的谱系#

先把历史摆上：本部要用的每一件工具都比读者以为的老。

年份	工作	要点
1948	香农	信息量与语义、价值显式解耦
1953	Blackwell	实验比较与 garbling 判据，得到的是偏序
1960	Feldbaum	对偶控制，动作既调节又探测（第 5 章的母体）
1964	Le Cam	近似充分性，亏格 \(\delta\) 与实验距离 \(\Delta\)
1966	Howard	信息价值理论，价值不是熵的函数
1991	Torgersen	亏格理论系统化，\(k\)-亏格
1999	Tishby–Pereira–Bialek	信息瓶颈
2006	Jindal	反馈比特须随 \(\mathrm{SNR}_{\mathrm{dB}}\) 线性增长
2014	Courtade–Weissman	对数损失下 IB 获得操作意义
2018	Wen–Shih–Jin CsiNet	深度学习进入 CSI 反馈
2019	Blau–Michaeli	率–失真–感知，度量互不换算的严格先例
2024	3GPP TR 38.843	中间 KPI 普遍改善、最终 KPI 增益有限
2026	本站第二部	把亏格算成无线链上的数

怎么读这张表：上半段（1948–1966）是统计决策论建立"信息的价值"这门语言的十八年。中段（1991–2014）是理论定型与操作化。下半段（2018–2024）是无线工程独立地、以纯经验方式撞上同一堵墙。

本部做的事就是把上半段接到下半段。Feldbaum 1960 一条是第 5 章对偶控制的母体，本章不展开，故未列入参考文献。

1.7.2 七章分工与三张价目表#

本部七章的分工如下。

flowchart TB
    C1["1 · 序章：四个箭头，零条链定理<br/>两种退化 × 两种知识"]
    C2["2 · Blackwell 排序<br/>定理 2.1 / 2.2 / 2.4 骨架"]
    C3["3 · 任务-知识格<br/>任务充分统计量、k-亏格"]
    C4["4 · 环境泛化理论<br/>相位/结构二分"]
    C5["5 · 认知回路<br/>认知平衡点（暗线）"]
    C6["6 · 端到端误差预算<br/>定理 2.4 的数值实例"]
    C7["7 · 研究纲领<br/>三定理 + 暗线四件套"]
    G["退化一：garbling"]
    M["退化二：misspecification"]
    C1 --> G
    C1 --> M
    G --> C2 --> C3
    G --> C6
    M --> C4
    C3 --> C6
    C1 --> C5
    C3 --> C7
    C4 --> C7
    C5 --> C7
    C6 --> C7

怎么读这张图：序章分出两条退化线索。左线（garbling）走第 2 → 3 → 6 章，是"骨架 → 紧化 → 算数"三步。右线（misspecification）走第 4 章，工具完全不同（失配译码与分布偏移）。第 5 章是暗线（认知平衡点），第 7 章收口。

第 2 章与第 6 章是同一条定理的两个分辨率：第 2 章给任务无关的粗档，第 6 章给任务相关的细档。

本部要立的三条定理与一条暗线，各一句话：

知识排序定理（第 2 章猜想 2.6）：无线实验族（CSI 方案、感知模态、地图分辨率）在 Blackwell / Le Cam 结构下的排序图长什么样。目前只有五个节点确定。
任务格与任务充分统计量（第 3 章）：任务构成一个格。对任务类 \(\mathcal{T}\)，\(\delta_{\mathcal{T}}=0\) 定义了"该任务类的充分统计量"。
物理泛化界（第 4 章）：换环境时性能退化多少，由物理量控制。相位对 \(\lambda/4\)，结构对特征尺度 \(L\)，这就是相位/结构二分。
暗线：认知平衡点（第 5 章）：该花多少资源去"知道"、多少去"做"，位置由第一部 Q3 曲线的形状决定。Q3 曲线即第一部第 9 章的知识汇率曲线 \(\Delta C(R_{\mathrm{env}})\)，也就是下表第一行。

最后，把本部放回全站的坐标里。全站有三张价目表，本部是其中一张：

价目表	记号与出处	定价的是什么	状态
知识汇率（第一部第 9 章）	\(\Delta C(R_{\mathrm{env}})=\sup[C(\text{prior}+\text{env code})-C(\text{prior})]\)	关于环境的信息值多少容量	【开放·本站提法】两端点已知，中段形状未知（凹增 / 阈值跳变 / 早饱和三条候选）
预测的价目表（第三部第 5 章）	\(V(I)=\sup_{q:\,I(\xi;M)\le I}\sup_{\pi}J(\pi,q)\)	关于未来的信息值多少效用	【本站原创】单调不减且凹，小 \(I\) 处极陡
退化的价目表（本部）	\(\\|L_T\\|\cdot\delta(\mathcal{E},\mathcal{F})\)，Le Cam 1964 [4]	知识退化要赔多少任务风险	骨架【已解决（经典）】，无线链上的数值【开放】

三者是同一件事的三个切面：第一部问"多知道一点环境值多少"，第三部问"多知道一点未来值多少"，本部问"少知道一点会赔多少"。第 2 章 Q2.5 猜想三者存在夹逼关系，目前完全空白。

1.7.3 怎么读本部#

缺的是语言（多数无线工程师）：从第 2 章开始，把它当一门课读完。只用矩阵、不用测度论，Blackwell 定理有完整初等证明。读完你会得到三样东西：一个判据（\(\mathbf{Q}=\mathbf{P}\mathbf{K}\) 有没有解）、一个数（亏格，是个小线性规划）、一条界（定理 2.2）。然后跳到第 6 章看它在真实链上怎么算数。
关心 AI 空口可信性：主线是第 4 章。跨厂商、跨场景、仿真到实网全是 misspecification，而 3GPP Rel-19 的 LCM（生命周期管理），按第一部第 10 章的口径，是保险丝，不是定理。
关心 ISAC 或数字孪生：主线是第 5 章（认知回路与平衡点）加第 3 章（任务格），因为你的问题是"感知这个动作既花资源又赚信息"。
只想知道本部有没有新东西：答案在第 6、7 章。新东西不是那条不等式，是那些数。

到此为止我们得到了什么

一张地图和一次定位。本部的七章沿两条退化线索展开。本部在全站三张价目表中负责"退化的定价"。而"怎么读"这一节告诉你，按你的工程问题该从哪一章进。

跨部连线

本章所在的线索：任务与价值、极限与基线。

第三部第 1 章「翻转」：第三部在资源优化里遇到同样的缺口：方法越来越多，"至少要付多少"的逆定理缺席。
第四部 1.5 节：决策者不止一个时，"谁看见什么"本身成了变量，单决策者的链条就不够用了。

开放问题#

Q1.1（把亏格算成无线链上的数）【开放·本站提法】

精确陈述：给定 CSI 压缩链的参数（天线数、子带数、码字比特数、SNR），求 \(\delta(\mathcal{E}_{\text{码字}},\mathcal{E}_{\text{原始 CSI}})\) 的上下界。
第一步可证引理：在第一部第 10 章的单反射面参数化玩具族上把信道离散化成有限字母表，用第 2 章 §2.6 的线性规划算出第一组数。
AI 可攻子问题：在公开 CSI 数据集上把这个 LP 跑成一张数值排序图。

Q1.2（中间 KPI 与最终 KPI 的一致性判据）【开放·文献共识】

什么条件下 NMSE 或 SGCS 的改善保证 UPT 的改善？这是 3GPP 明写的未决问题，也是算例 1.2 那条"汇率浮动 53 倍"曲线的正面版本。

猜想形态：一致性成立当且仅当任务损失落在某个由链结构决定的锥内。目前连这个锥的定义都没有。

Q1.3（两种退化的二分是否完备）【开放·本站提法】

定义 1.2 把退化分成两类，但没有证明这个分类穷尽。

猜想 1.3（链退化二分的完备性与可加性）【开放·本站提法】

设决策者实际达到的风险为 \(r_T^{\mathrm{act}}\)，链首端的 Bayes 风险为 \(r_T(\mathcal{E}_0)\)。猜想存在"误配半径" \(\rho\)（度量真实条件概率表与决策者所用表的差距），使得

\[ r_T^{\mathrm{act}}-r_T(\mathcal{E}_0)\ \le\ \|L_T\|\Bigl(\sum_{k}\delta(\mathcal{E}_k,\mathcal{E}_{k-1})\ +\ \rho\Bigr), \]

即任何链上的性能损失都可分解为"信息丢了"与"模型错了"两项之和，分别由亏格与误配半径控制。

状态：第一项已由定理 2.4 给出【已解决（经典）】。第二项的形式、\(\rho\) 的正确定义（GMI 型？\(\mathcal{H}\Delta\mathcal{H}\) 型？TV 型？）与可加性是否成立完全开放。第 4 章会给出 \(\rho\) 的两个候选（Lapidoth 1996 的失配译码半径、Ben-David 的分布偏移散度），但不证明可加性。

Q1.4（\(k\)-亏格能紧多少）【部分结果】

无线里动作数 \(k\) 通常很小（切换 2、波束 64、MCS 29），而 \(\delta_k\le\delta\) 是定理 2.2 的直接推论。问：\(\delta_k/\delta\) 在什么样的实验族上显著小于 1？

第 2 章 Q2.3 已给出 BEC/BSC 对的具体版本。第 3 章 Q3.1 补了一个必要条件：被模拟的实验读数不超过 \(k\) 种时 \(\delta_k=\delta\)，比值要小于 1，被模拟的一方必须比 \(k\) 分得更细【本站演算】。\(\delta_k\) 的定义见 §1.5 第 2 条【表述待核：Torgersen [6] 第 6 章原文未读到】。

Q1.5（三张价目表的接口）【开放·本站提法】

\(\Delta C(R_{\mathrm{env}})\)、\(V(I)\) 与本部的 \(\|L_T\|\delta\) 分别是"最优 / 最优 / 最坏"三个方向的定价。第 2 章 Q2.5 猜想三者存在夹逼关系，若成立即得知识汇率的第一个可算上界。目前三条曲线之间没有任何已知定量关系。

Q1.6（离散判决环节上骨架为何失效）【开放】

定理 2.4 假设决策者 Bayes 最优。波束索引这类环节上译码器固定、算力受限，"发原始 CSI 还是发波束建议"的悖论（第 2 章 §2.8）说明 garbling 可能有益。

精确陈述：给定受限决策者类 \(\Pi\)，是否存在"\(\Pi\)-亏格"使定理 2.4 的形式保持？第 6 章给出失效的数值样本，但不给一般理论。

参考文献#

C. E. Shannon, "A Mathematical Theory of Communication," Bell System Technical Journal, vol. 27, pp. 379–423, 623–656, 1948.
D. Blackwell, "Comparison of Experiments," Proc. Second Berkeley Symp. on Math. Statist. and Probability, pp. 93–102, 1951.
D. Blackwell, "Equivalent Comparisons of Experiments," Annals of Mathematical Statistics, vol. 24, no. 2, pp. 265–272, 1953.
L. Le Cam, "Sufficiency and Approximate Sufficiency," Annals of Mathematical Statistics, vol. 35, pp. 1419–1455, 1964.
R. A. Howard, "Information Value Theory," IEEE Trans. Systems Science and Cybernetics, vol. 2, no. 1, pp. 22–26, 1966. https://doi.org/10.1109/TSSC.1966.300074
E. Torgersen, Comparison of Statistical Experiments, Cambridge University Press, 1991.
N. Tishby, F. C. Pereira, W. Bialek, "The Information Bottleneck Method," Proc. 37th Allerton Conf., pp. 368–377, 1999. https://arxiv.org/abs/physics/0004057
N. Jindal, "MIMO Broadcast Channels with Finite-Rate Feedback," IEEE Trans. Information Theory, vol. 52, no. 11, pp. 5045–5060, Nov. 2006. https://arxiv.org/abs/cs/0603065 （算例 1.2 用到其定理 1 与定理 3）
T. A. Courtade, T. Weissman, "Multiterminal Source Coding Under Logarithmic Loss," IEEE Trans. Information Theory, vol. 60, no. 1, pp. 740–761, 2014.
A. A. Alemi, I. Fischer, J. V. Dillon, K. Murphy, "Deep Variational Information Bottleneck," ICLR 2017. https://arxiv.org/abs/1612.00410
T. O'Shea, J. Hoydis, "An Introduction to Deep Learning for the Physical Layer," IEEE Trans. Cognitive Communications and Networking, vol. 3, no. 4, pp. 563–575, Dec. 2017. https://doi.org/10.1109/TCCN.2017.2758370
C.-K. Wen, W.-T. Shih, S. Jin, "Deep Learning for Massive MIMO CSI Feedback," IEEE Wireless Communications Letters, 2018. https://ieeexplore.ieee.org/document/8322184/
E. Bourtsoulatze, D. Burth Kurka, D. Gündüz, "Deep Joint Source-Channel Coding for Wireless Image Transmission," IEEE Trans. Cognitive Communications and Networking, vol. 5, no. 3, pp. 567–579, 2019. https://doi.org/10.1109/TCCN.2019.2919300
Y. Blau, T. Michaeli, "Rethinking Lossy Compression: The Rate-Distortion-Perception Tradeoff," ICML 2019, PMLR v97, pp. 675–685. http://proceedings.mlr.press/v97/blau19a.html
Z. Goldfeld, Y. Polyanskiy, "The Information Bottleneck Problem and Its Applications in Machine Learning," IEEE JSAIT, vol. 1, no. 1, pp. 19–38, 2020. https://doi.org/10.1109/JSAIT.2020.2991561
F. Liu et al., "Integrated Sensing and Communications: Toward Dual-Functional Wireless Networks for 6G and Beyond," IEEE JSAC, vol. 40, no. 6, pp. 1728–1767, Jun. 2022.
D. Gündüz, Z. Qin, I. E. Aguerri, H. S. Dhillon, Z. Yang, A. Yener et al., "Beyond Transmitting Bits: Context, Semantics, and Task-Oriented Communications," IEEE JSAC, vol. 41, no. 1, pp. 5–41, 2023. https://arxiv.org/abs/2207.09353
3GPP TR 38.843 V18.0.0, "Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR Air Interface," Release 18, Dec. 2023（Rel-19 的续研并入 V19.0.0，2025-09）. https://www.3gpp.org/ftp/Specs/archive/38_series/38.843/ （§1.1 的数字按 V18.0.0 第 6.2.2.1、6.2.2.2、6.2.2.8 节与第 8 章核对）
Y. Guo, W. Chen, F. Sun, J. Cheng, M. Matthaiou, B. Ai, "Deep Learning for CSI Feedback: One-Sided Model and Joint Multi-Module Learning Perspectives," arXiv:2405.05522, 2024.【预印本·未评审】

未单列的备查条目：Feldbaum 1960（对偶控制，第 5 章展开）；链式亏格累积的近期预印本 arXiv:2512.23617【预印本·未评审】；第 2 章 §2.1 引用的 TR 38.843 评估综述（arXiv:2407.10984）——本章仅转述其结论，编号引用见第 2 章参考文献 17。