Nov, 2019

Turbo Autoencoder：基于深度学习的点对点通信信道编码

PDF
TL;DR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。
communicationchannel codesturboaecanonical modelsneural encoder
发现论文，激发创造
  • 使用 CNN-Autoencoder 在有限块长制度下，对高斯信道进行编码

    本文论述了使用卷积神经网络自编码器解决长码和短码的问题，通过对一系列信噪比的探索，与其他编码方案相比，发现该方案可以逼近理论最大可实现速率，解决了在无线网络中实现低延迟应用需要高可靠性编码的挑战。

    May, 2023

  • DeepTurbo：深度 Turbo 译码器

    通过深度学习方法进行 Turbo 解码器设计的研究，提出了一种新的端到端训练的深度学习解码器 DeepTurbo，相较于传统的 Turbo 解码器和神经 BCJR 解码器，DeepTurbo 在 AWGN 和 non-AWGN 下都有更好的性能表现，同时也展现出最低的误码率。

    Mar, 2019

  • 神经联合信源信道编码

    本文提出了一种用于编解码的离散自编码器模型，通过添加噪声来模拟信道以实现数据压缩和容错，得到了与现有方案相当的编码标准，并学习了下游任务（如分类）的有用鲁棒表征。最后，通过推理摊销，实现了一个快速的神经解码器，与迭代置信传播方法相比，速度提高了近一个数量级。

    Nov, 2018

  • ProductAE: 面向大维数的深度学习驱动错误校正码

    本文提出了 Product Autoencoder，这是一款深度学习驱动的 (encoder,decoder) 对，可用于训练相对大的代码 (k=300 位)，其表现比经典设计更有意义，且对于训练中使用的不同通道模型具有良好的鲁棒性和适应性。

    Mar, 2023

  • 优化干扰抑制的端到端自编码通讯

    该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。

    Dec, 2021

  • 基于功率约束的深度学习鲁棒非线性反馈编码

    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

  • 无模型训练端到端通信系统

    本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法，该算法可以训练具有未知信道模型或具有不可微分组件的通信系统，并在软件定义无线电上实现，并在同轴电缆和无线信道上实现了最先进的性能。

    Dec, 2018

  • 使用深度学习设计通信系统：变分推断视角

    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

  • 深度学习中的反馈码

    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

  • 用于学习量子信道编码的量子自编码器

    本研究探讨了量子机器学习技术在经典和量子通信中的应用，证明了该技术在不同量子信道模型下的强大性能，并为量子通信系统的研究提供了新的进展，使得人们在调制约束、各种通信设置和多样化的信道模型的容量界限方面有了更好的理解。

    Jul, 2023