本研究关注了对指数级别集合进行求和的概率推断任务，并提出了一种基于随机生成奇偶约束模型的多项式数量级别的 MAP 推断查询的求解方法，结合迭代消息传递解码算法和整数线性规划 (ILP) 方案以及新的稀疏化技术，可以得到分割函数的下限和上限，与变分方法相比，具有更高的概率和更紧的限制。

Sep, 2013

研究使用线性节目（LP）编码进行错误纠正，使用优化论的分解方法，开发了一种有效的分布式算法，它具有比置信传递解码器更强的理论保证，并可以用于高效地译码大规模错误纠正码，同时避免了误差底座问题。

Apr, 2012

本文提出了基于惩罚对偶分解（PDD）框架的 PDD 算法，并将机器学习技术集成到 PDD 解码算法的最耗时部分 —— 检查多面体投影（CPP）中，提出了特别设计的神经 CPP（NCPP）算法来降低解码延迟。仿真结果表明，所提出的算法是有效的

Jun, 2020

本文研究了一种基于参数调整的混合整数线性规划问题的解法。通过设计一种基于图卷积神经网络和强化学习的自适应割集选择算法，我们证明此算法在实验中取得了优秀性能。

Feb, 2022

在基于切割平面方法的整数线性规划中，我们尝试使用可学习的参数化准则 - 切割删除策略，以在不影响整数最优解的情况下，对先前迭代中引入的切割进行删除，结果表明这种策略在基础组合优化问题中能够显著提升，即使使用简单模型实现，也能超越基于人类或机器学习的切割添加策略。

Jun, 2024

本文提出了一种使用机器学习来定制超完备校验矩阵的方法，通过裁剪不重要的检测节点并优化 Tanner 图中的权重，每个迭代使用不同的校验矩阵，从而在短线性块码上，实现比 BP 译码更好的性能且减少了解码器的复杂度。

Jan, 2020

使用数据驱动方法，通过利用因子图（也称为 Tanner 图）上的学习，在信道噪声模拟下开发满足现代短码长度约束并适应新的信道模型的局部最优稀疏码，以提高信念传播解码的性能。该方法通过使用信念传播算法的新型张量表示，在有限域上利用反向传播和高效的线性搜索方法进行优化，在解码性能上比现有流行码优越数个数量级，展示了数据驱动方法在码设计中的优势。

Jun, 2024

提出了一种基于机器学习的新框架来近似求解割平面问题，并通过分类方法获得近似的割平面，从而提高分支定界树中添加割平面的候选节点的识别效率。

Oct, 2023

本文提出了几种低复杂度的近似最优迭代算法来解码非二进制码，并介绍了其中一种称为 Min-Max 算法，它具有两种可能的 LLR 域实现：标准实现和称为选择性实现的降低复杂度实现，在实践中非常实用。

Mar, 2008

本文提出了一种用于低密度奇偶校验码的量化解码算法，其中，标准的最小和算法的变量节点更新规则被用信息论准则设计的查找表所替换。研究结果表明，即使使用只有 3 位消息分辨率的算法，也能比使用浮点数的最小和译码器取得更好的误码率；此外，研究了不同的译码器设计参数对译码性能的影响，如设计信噪比和查找表树结构等，并提出了一些复杂度约简技术，如查找表重用和消息字母表缩小。

Dec, 2015