研究 AWGN 通道反馈通道下的通信问题，提出了一种低延迟低复杂度的交互式方案，以及两种渐进构造方法，该方法基于反馈传输的解释和交互模 lattice 解决方案。

Sep, 2015

本文提出了一种基于自编码器的非线性反馈编码设计，该编码极大地提高了信道噪声下的鲁棒性，我们证明了平均功率约束被渐进满足，实验结果表明，该编码方案在实际前移和反馈噪声情况下的性能优于现有的反馈编码。

Apr, 2023

本文提出一种基于 Genetic Algorithm 的新型极化码构造框架，通过演化变换不同的信息集来适应于指定的译码算法，而不是基于不一定最优的假设；使用该算法，我们构造了一种极化码，无须 CRC 辅助，达到了与 CRC 辅助 SCL 译码相同的误码率性能，同时在 $10^{-6}$ 比特误率下实现了 1dB 的编码增益。另外，我们还展示了可以通过把我们的算法应用到信念传播译码来接近 SCL 的误码率性能而不需要修改译码算法本身。

Jan, 2019

本文研究了通过一系列测量获取未知目标位置（在有限个位置中）的问题，并建立了目标获取问题和二进制输入加性白噪声信道上的信道编码之间的等价性，提出了一种基于排序后的后验匹配信道编码策略的两阶段自适应目标搜索策略。通过信息论会话进一步研究了自适应和非自适应策略的基本限制，提出了适应性增益的下限。

Dec, 2017

通过优化编码器和解码器的设计，利用用户合作来增强和平衡高斯双向通道中的通信可靠性，并讨论了线性编码和基于 RNN 的编码策略在不同信噪比情况下的表现。

Dec, 2023

本文提出了一种基于深度学习的新型编码方案，应用于高斯噪声信道，并结合信息论洞见，有效提升了通信可靠性，相较于过去几十年间研制的编码方案提高了 3 个数量级。

Jul, 2018

本文针对 5G 标准下信道编码的低延迟要求，基于深度学习和通信工程知识，提出了一种端到端学习的神经编码器，称为 LEARN 编码器。相比传统卷积码，LEARN 编码器在低延迟条件下表现更好，具有强鲁棒性和适应性，表现出设计用于未来通信的新型多功能通用编码的潜力。

Nov, 2018

本文引入一种新的固定长度反馈编码方案，通过糅合前作品的特点，以及引入新的随机化技术和编码 / 解码规则，能够实现离散无记忆信道的全容量，并具有接近球装填界的误差指数，以及 O（nlogn）的编码复杂度。

Nov, 2013

通过自编码机（autoencoder）我们提出了一种新的 JSCC 方案，将无噪声或有噪声的信道输出反馈引入到传输系统中，以提高接收端的重建质量或平均延迟，并展示了现代机器学习技术在通信领域中的应用。

Nov, 2019

本文提出一种基于深度学习的解决方案来识别包括 LDPC、卷积、Turbo 和 Polar 等编码方案的通道编码参数。该方法不需要关于通道状态或信噪比（SNR）的先前知识或估计，并能够抵抗多径衰减等通道失真，从而提高了正确检测编码参数的概率，优于类似工作的表现。

Sep, 2020