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

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

本文研究神经信念传播解码器的泛化能力，利用机器学习方法设计下一代通信系统的译码器，提高传统解码算法的性能。通过理论与实验结果给出了解码器的泛化缺口，以及其与代码参数、解码迭代次数、训练数据集大小等的关系。

May, 2023

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

本研究考虑使用简单缩放模型并通过少量参数实现与完全参数化相同的性能，同时提出了多种加强版 WBP 的训练方法与 PAN 技术优化 WBP 参数，在（32,16）Reed-Muller 码中，通过具有优化后软性误码率的 PAN 进行训练，可实现仅使用三个参数的简单缩放模型，接近最大似然性能。

Jan, 2019

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

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

使用数据驱动方法，通过利用因子图（也称为 Tanner 图）上的学习，在信道噪声模拟下开发满足现代短码长度约束并适应新的信道模型的局部最优稀疏码，以提高信念传播解码的性能。该方法通过使用信念传播算法的新型张量表示，在有限域上利用反向传播和高效的线性搜索方法进行优化，在解码性能上比现有流行码优越数个数量级，展示了数据驱动方法在码设计中的优势。

Jun, 2024

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

本文提出了一种基于边权图神经网络（EW-GNN）的短块编码新解码算法，采用迭代消息传递结构，在每次迭代中基于可靠性信息通过全连接神经网络获得信息，具有可伸缩性，并在解码错误率方面优于传统置信传播和基于深度学习的置信传播方法。

Nov, 2022