本文介绍了一种新型神经编码器和解码器 TurboAE，该编码器可以通过深度学习来自动化设计通道编码，以提高非规范通道模型的可靠性，并在中等块长度下接近规范通道模型的最新性能水平。

Nov, 2019

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

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

本文提出了一种基于深度学习的新型编码方案，应用于高斯噪声信道，并结合信息论洞见，有效提升了通信可靠性，相较于过去几十年间研制的编码方案提高了 3 个数量级。

Jul, 2018

本文主要研究了 BCJRNet 算法在不同类型的信道条件下的性能表现，发现 BCJRNet 在学习噪声信道数据和存在不完美信道衰减特性的情况下，在稳定传输场景中显著优于传统的 BCJR 算法。然而，在信道快速变化的情况下，这种优势会逐渐减弱。此外，研究还发现传统的 BCJR 算法和 BCJRNet 算法都对内存假设非常敏感，在衰减缓慢的信道中，对内存估计的低估会严重降低它们的性能。最后，我们还结合了信道衰减和内存知识的不完美性，发现传统的 BCJR 算法在被低估内存条件下具有更好的性能，而 BCJRNet 算法则在准确内存知识水平提高时表现出持续改进的性能。

Jan, 2024

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

本文提出了一种基于自监督学习的无监督深度学习解码方案，其将极化码的发生矩阵作为信息标签，使神经网络充当有界距离解码器，大大提高了通信系统的实际应用性能。经计算机模拟验证，与传统编码方案相比，该方案具有更优异的泛化能力和无限接近最大后验概率解码器的数据错误率和块错误率表现。

Jul, 2023

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

本文提出了一种将 Transformer 架构扩展到任意块长线性码软译码的方法，通过自适应遮掩的自注意力模块实现代数码和比特之间的交互作用，该方法在符号时间复杂度的分数级运行时间内表现出了 Transformers 的极高能力和灵活性，在性能上优于现有的深度学习码译码器。

Mar, 2022

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