The Preisach Extremum Stack is a Shannon-Minimal Sufficient Statistic for Rate-Independent Functionals
Preisach 极值栈是速率无关泛函的 Shannon 最小充分统计量AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要集中讨论速率无关泛函、信息论充分性与 Preisach 估计，没有提供微观、宏观或金融计量细分方向的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
Preisach 极值栈是速率无关泛函的 Shannon 最小充分统计量
- 研究问题
- 对于可计算、因果且在单调时间重参数化下不变的泛函，输入历史能否由 Preisach 极值栈充分表示，并达到信息意义上的最小性？
- 方法与思路
- 作者声称先证明所有此类泛函均可由极值栈计算，再利用有限指示函数族重建极值栈，推导互信息等式与最小充分性。
- 材料陈述的贡献
- 摘要称，极值栈保持所有目标泛函的信息，并在可回答全部相关查询的统计量中满足 Shannon 最小性，还给出在线 NNLS 构造推论。
- 阅读关注点
- 应核对速率无关泛函的定义是否足以支持表征定理、极值栈的重建步骤，以及互信息比较和在线内存界的严格适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要没有证明细节，不能据此确认其广泛表征结论和计算复杂度。
原文摘要
Let R denote the class of all computable, causal functionals that are rate-independent in the classical sense (invariant under monotone time reparametrizations), and let Pi_n be the Preisach extremum stack of an input sequence u_{0:n}. We prove a characterization theorem establishing that every F in R satisfies Fu = f(Pi_n) for a computable f, and derive two information-theoretic results. First, under any probability measure on u_{0:n}, the equality I(u_{0:n}; Fu) = I(Pi_n; Fu) holds for every F in R and is an immediate corollary of the characterization theorem. Second, the main result: Pi_n is a Shannon-minimal sufficient statistic in the sense that I(u_{0:n}; Pi_n) <= I(u_{0:n}; S) for every random variable S from which all R-queries are computable. The proof uses the finite indicator family of [Frydrych, 2026] to reconstruct Pi_n from any sufficient S. As a corollary, online maintenance of Pi_n suffices for rate-independent estimation: the NNLS estimator of the Preisach measure mu can be assembled from the incremental stack process (Pi_t)_{t=0}^n in O(k * L^2) memory per step, where k = |Pi_t| and L is the grid resolution.