本文提出了一种基于自编码器的非线性反馈编码设计，该编码极大地提高了信道噪声下的鲁棒性，我们证明了平均功率约束被渐进满足，实验结果表明，该编码方案在实际前移和反馈噪声情况下的性能优于现有的反馈编码。

Apr, 2023

本文研究使用深度学习自动发现解码算法的可行性，并展示了我们训练的循环神经网络架构能够在自适应 AWGN 频道模型下，解码着名的顺序编码达到接近最优的性能。

May, 2018

本文介绍了一种深度学习为基础的信道编码设计框架，称为广义块注意力反馈（GBAF）编码，该编码可以显著改善反馈信道传输的误码率，可以在所需的码率下传输。

Jun, 2022

通过设计具有可靠性和高效性的编码方案，本文研究了在具有反馈的信道中的通信理论挑战。我们提出了分析编码方案 POWERBLAST 和轻量级神经编码方案 LIGHTCODE，用于改进通信系统的可靠性，并在学习的代码中建立了 LIGHTCODE 和 POWERBLAST 的关联，提供了线性回归分析的解释。

Mar, 2024

本文提出了一种基于深度神经网络的误差校正编码器架构，名为 Deep Extended Feedback（DEF），旨在提高带反馈信道传输的编码效率和纠错能力，并且比其他深度神经网络编码方法更优秀。

May, 2021

利用长短时记忆网络（LSTM）和信噪比（SNR）感知注意力机制进行深度神经网络（DNN）编码纠错，用于在具有输出反馈的衰落信道中实现更可靠的通信，并在在多播信道中进行了有效性验证。

Dec, 2021

本研究提出一种使用神经网络辅助的通道编码方案，利用 transformer 架构的广义块注意力反馈码在主动反馈通道中表现出卓越的性能，实现了新的最先进的 BLER 性能。

Nov, 2022

提出了一种基于深度学习和变分推断的框架，用于设计具有噪声传输符号的端到端通信系统，同时系统性地集成了通道类型等领域知识，在多个流行通道模型中击败了以前利用深度学习模型的先前工作，实现更好的打包密度和更快的速度。

Apr, 2019

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

本文针对 5G 标准下信道编码的低延迟要求，基于深度学习和通信工程知识，提出了一种端到端学习的神经编码器，称为 LEARN 编码器。相比传统卷积码，LEARN 编码器在低延迟条件下表现更好，具有强鲁棒性和适应性，表现出设计用于未来通信的新型多功能通用编码的潜力。

Nov, 2018