连接的读取策略：渐近分析

假设从分布 $\mathbf {R}$ 中抽取 $m_n$ 个观测，从分布 $\mathbf {S}$ 中抽取 $n-m_n$ 个观测。对每一对来自 $\mathbf {R}$ 的 $x$ 和来自 $\mathbf {S}$ 的 $y$，赋予一个非负得分 $\phi(x,y)$。最优读取策略是产生序列 $m_n$ 从而一致地关于 $n$ 最大化 $\mathbb{E}(M(n))$（即 $(n-m_n)m_n$ 个观测得分的期望和）的策略。交替策略（在两个来源间切换）是最优非自适应策略。相反，贪婪策略（选择其来源以最大化下一步的期望增益）被证明是最优策略。对 $\mathbf {R}$ 和 $\mathbf {S}$ 分布为离散且 $\phi(x,y)=1$ 或 $0$（依 $x=y$ 与否，即观测是否匹配）的情形给出渐近性。具体地，证明了一个不变性结果，保证对包括交替与贪婪在内的广泛策略类，变量 M(n) 服从相同的 CLT 与 LIL。对交替与贪婪两者的序列 $\mathbb{E}(M(n))$ 和 M(n) 样本路径的更精细分析，揭示了后者策略在渐近意义上优于前者的微弱程度，以及两者等价性的一种意义和前者的鲁棒性。