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

本文介绍在研究和优化 Belief Propagation 解码器的过程中，通过研究非 AWGN 通道和权重纠缠的作用，来提高最小和版本的解码器的性能，并对所学习的权重及其对潜在代码结构的影响进行解释。最后，我们运用软件定义的无线电进行算法评估。

May, 2022

通过训练方法优化神经最小和（NMS）解码器，有效降低 LDPC 码的误差底线现象，并获得最佳的误差底线性能。

Oct, 2023

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

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

本研究考虑使用简单缩放模型并通过少量参数实现与完全参数化相同的性能，同时提出了多种加强版 WBP 的训练方法与 PAN 技术优化 WBP 参数，在（32,16）Reed-Muller 码中，通过具有优化后软性误码率的 PAN 进行训练，可实现仅使用三个参数的简单缩放模型，接近最大似然性能。

Jan, 2019

提出了一种基于深度学习方法改进置信传播算法的新方法。该方法通过对 Tanner 图的边进行加权来推广标准置信传播算法，然后使用深度学习技术进行训练。该方法能够保留传统算法的性能独立性，从而只需要学习一个码字而不是指数数量的码字，并在各种纠错码中展示了对置信传播算法的改进。

Jul, 2016

本文提出了一种基于置信传播和深度学习的稀疏神经网络解码器 (SNND)，用于极化码的解码，取得了与复杂的累加 - 乘算法相近的性能，尤其在解码延迟方面显著降低。

Nov, 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