使用深度学习学习解码线性码
探讨利用深度学习方法改进信道解码器进行线性码的近似最优的解码，发现可以通过构建循环神经网络的体系结构来实现解码器参数的绑定，以此有效降低参数数量并提升性能。
Jun, 2017
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
本论文提出了一种新的方法，利用深度学习框架确定传递消息的不同边的可训练参数，重点是减少可训练参数的数量并强调其位置。经过广泛的模拟实验，论文表明这种方法可以提供高质量的训练数据，并展示了训练损失和解码指标之间的强正关系。
May, 2022
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
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
本文设计了一种适用于短到中等块长度的强代数码的实用性低复杂度接近最优通道解码器。我们介绍了一种循环神经网络结构来解码线性分块码，并表明该模式与前馈神经网络模式相比，参数明显更少，具有可比较的误比特率结果，提高了 Tanner 图解码的表现。此外，我们证明，RNN 解码器可用于提高 mRRD 算法的性能或降低计算复杂性，以进行低复杂度、接近最优的短 BCH 码解码。
Feb, 2017
通过使用深度学习建立极化码，我们将信息 / 冻结比特索引表示为二进制向量，并通过梯度下降优化这个向量，同时考虑译码器，实现了在 AWGN 和 Rayleigh 信道上的很好表现的极化码设计。
Sep, 2019