Non-Random Data Encodes its Geometric and Topological Dimensions
非随机数据编码其几何与拓扑维度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：摘要主要讨论信息论、算法复杂度与信号重建，列举因果解卷积用途不足以归入给定计量细分。
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…
非随机数据编码其几何与拓扑维度
- 研究问题
- 在不知道信号生成来源且无法与来源交互的情况下，能否从收到的非随机信号重建其多维空间结构，并减少对预设编码和概率模型的依赖？
- 方法与思路
- 作者基于信息论、测度论及理论计算机科学提出信号解卷积和空间重建方法，并将其联系到不依赖任意先验分布的通用模型构建思路。
- 材料陈述的贡献
- 摘要声称证明了方法对多种编码、计算与复杂度近似方案的无关性，并主张其具有最优性及普适性，可应用于信号、密码和特征检测等任务。
- 阅读关注点
- 应核对非随机性的定义、可计算性限制、空间重建目标及证明量词，尤其查看最优性和普适性声明所依赖的比较标准与条件。
- 阅读边界
- 所用摘要来自 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供具体定理条件、算法或应用验证，无法据此确认广泛的普适性声明。
原文摘要
Based on the principles of information theory, measure theory, and theoretical computer science, we introduce a signal deconvolution method with a wide range of applications to coding theory, particularly in zero-knowledge one-way communication channels, such as in deciphering messages (i.e., objects embedded into multidimensional spaces) from unknown generating sources about which no prior knowledge is available and to which no return message can be sent. Our multidimensional space reconstruction method from an arbitrary received signal is proven to be agnostic vis-à-vis the encoding-decoding scheme, computation model, programming language, formal theory, the computable (or semi-computable) method of approximation to algorithmic complexity, and any arbitrarily chosen (computable) probability measure. The method derives from the principles of an approach to Artificial General Intelligence (AGI) capable of building a general-purpose model of models independent of any arbitrarily assumed prior probability distribution. We argue that this optimal and universal method of decoding non-random data has applications to signal processing, causal deconvolution, topological and geometric properties encoding, cryptography, and bio- and technosignature detection.