线性分组码的 RNN 解码
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
本研究首次提出了一种统一的编码 - 解码训练方法,用于二进制线性分组码,采用了适应性编码设置,支持针对二阶伽罗瓦域的端到端优化。我们还提出了一种新颖的 Transformer 模型,其中的自注意力掩码采用可微分的方式进行,以实现对码梯度的有效反向传播。实验结果表明:(i) 所提出的解码器在常规编码上优于现有的神经解码器;(ii) 所提出的框架生成的编码优于相应的常规编码;(iii) 我们开发的编码不仅在我们的解码器上表现出色,而且在传统解码技术上也表现出更好的性能。
May, 2024
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
本文使用强化学习技术,针对二元线性码设计有效的解码策略,通过将迭代解码算法映射到马尔可夫决策过程中,实现数据驱动的最优决策学习,以比特翻转解码为例研究了在对称二元信道和加性高斯白噪声通道中,重复 - 穆勒码和 BCH 码中得到的解码性能与复杂度之间的折衷,并表明倾向于正确解码决策的学习过程可以加速学习收敛。
Jun, 2019
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
本研究提出了基于循环编码的一种新型神经解码器,通过利用循环不变性,将我们的神经解码器的权重施加了移位不变性结构,从而实现任何输入的循环移位都能得到相同的循环移位输出。与 BCH 代码和 RM 代码考虑戳孔情况的早期神经解码器相比,我们的系统在解码循环码时性能更优,而新的列表解码过程可以显著降低 BCH 代码和戳孔 RM 代码的解码错误概率,特定高速代码的列表解码器与最大似然译码器之间的差距小于 0.1dB。
May, 2021
本文探讨使用深度神经网络进行一次解码的想法,特别是在随机和结构化码,如极化码方面的应用。通过实验我们发现,结构化码比随机码更易于学习,并且神经网络能够推广到它没有见过的结构化码中,这提供了神经网络可以学习解码算法的证据。我们引入了标准化验证误差(Normalized Validation Error,NVE)来进一步研究深度学习解码的潜力和限制。
Jan, 2017