基于Blackwell序的多元高斯冗余与协同信息分解

2026年10月7日，arXiv Statistics Machine Learning 发布一手研究，提出基于 Blackwell 序为多元高斯系统定义部分信息分解（PID）。研究者证明高斯通道在提取冗余信息与并集信息上均为最优，并给出直观几何解释与高效数值算法。其并集信息与协同度量与 BROJA 一致，在双源情形下推导出闭式表达，且 Blackwell 冗余是唯一满足一组自然公理的冗余度量。方法在多达一千维或一千个源的系统中验证可扩展性，并应用于最优控制问题，识别传感器与记忆间的冗余与协同交互。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。