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

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

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

提出了一种新的框架，可以将深度神经网络应用于任意块长度的线性码的软译码，其中使用递归神经网络结构以及排序统计解码算法进行预处理来提高性能。

Feb, 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

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

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