本文提出了两种基于 ADMM 和重加权技术的线性规划解码算法，解决了低信噪比下 LP 解码性能不足的问题，并实验证明这两种新算法在所有信噪比下的性能优于 BP 和 LP 解码。

Sep, 2014

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

本研究提出了一种新的算法来生成奇偶校验不等式，用于解码线性分组码，可以通过消除线性规划解码器产生的赝码字显著提高解码器误码率性能，并实现了与 ML 解码之间的性能接近。

May, 2011

本研究提出了一种基于深度神经网络的解码算法，通过深度展开设计解码网络，其中采用交替方向乘子法罚函数，提出两种改进的网络结构，数值结果表明，其解码性能在各种低密度奇偶校验码下超越原始的交替方向乘子法罚函数解码器，且具有相似的计算复杂度。

Feb, 2020

提出了一种新型高效的神经解码算法，结合神经置信传播算法和自同构群置换，实现了近乎最大似然性能的高密度奇偶校验码的解码，并显著降低了解码复杂度；此外，通过探究训练过程，加速了学习过程，通过模拟 Hessian 矩阵和条件数进一步说明了加速的原因，同时展示了算法在各种长度为 63 位及以下的线性分组码的解码效果。

Jan, 2018

提出利用错误编码的数据进行深度学习模型训练的新方法，并结合加权置信传播算法（WBP）与活性学习技术，在不增加推理复杂度的情况下，通过精心采样数据成功改进 BCH (63, 36)、(63, 45) 和 (127, 64) 三个码的 WBP 解码效果，这为深度学习模型优化提供了一种将误差相关的领域知识纳入模型的指导方法，并可在其他基于深度学习的通信块上推广应用。

Jun, 2019

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

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

本文研究了基于神经网络的通道解码在处理大代码本的传统方法中的运用，通过将编码图分成小的子块，并对其进行单独训练，最大限度地接近每个子块的最大后验性能，然后通过传统的置信传播译码阶段连接这些块，从而实现高度并行化，展现了具有竞争性的误比特率表现。

Feb, 2017

本文介绍了一种新的基于查找表的错误校验码解码方法，使用互信息最大化的查找表替代了传统的变量节点和检验节点，在消息传递解码过程中，互换的信息被表示为具有非常小的位宽度的整数；通过信息瓶颈方法来设计相应的查找表，将二进制码扩展到非二进制码时需要更复杂的查找表设计来应对更高阶的 Galois 场的算术。通过误码率演示图表明本文所提出的方案优于对数最大值译码算法，接近矩和译码。

Oct, 2018