AAAIApr, 2020

通过对抗位翻转的 Infomax 神经联合源信道编码

PDF
TL;DR本文旨在提高 NECST 编码网络的稳定性和鲁棒性，通过正交最大化和敌对训练等方法，我们提出了一种称为 Infomax Adversarial-Bit-Flip（IABF）的正则化方法，能够显著提高编码和纠错的性能。
neural joint source-channel codinginfomax adversarial-bit-flipcompressionerror correctionmutual information
发现论文，激发创造
  • 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

  • 分布式深度联合源信道编码与仅解码器辅助信息

    在低延迟图像传输中，我们考虑了有相关辅助信息只存在于接收方的噪声无线信道（Wyner-Ziv 场景）。我们提出了一种新颖的神经网络架构，在接收方的多个阶段上整合解码器的辅助信息，结果表明该方法在所有信道噪声水平上在各种畸变标准下取得了改进的性能，特别是在低信道信噪比和小带宽比下。

    Oct, 2023

  • 文本联合源通信深度学习

    本文考虑了在噪声信道上传输结构化数据（例如自然语言）的联合源编码和信道编码问题，提出了基于深度学习编码器和解码器以及将句子嵌入语义空间后进行联合编码的方法，旨在同时最小化端到端失真和字错误率。

    Feb, 2018

  • 提高信道编码可靠性的友好攻击

    这篇论文介绍了一种名为 “友善攻击” 的新方法，旨在提高纠错信道编码的性能，通过引入微小扰动到神经网络输入，从而对网络的性能产生了重大影响，以改善解码器在不违反输入功率约束的情况下的性能。

    Jan, 2024

  • 通道编码的强化学习：学习式比特翻转解码

    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

  • 多用户信道下的分布式深度联合源信号与信道编码

    本研究研究了在噪声的多信道上使用深度联合源频道编码进行分布式图像传输。研究表明，在有限块长度制度下，我们引入了一种新型的联合图像压缩和传输方案，其中设备以非正交方式发送其压缩图像表示。在实验中，相比于使用现有深度联合源频道编码方法的正交传输，特别是在低带宽比下，我们展示了重构图像质量方面的显著改进。

    Nov, 2022

  • DeepNcode: 基于编码的神经网络比特翻转攻击防护

    我们引入一种基于编码的保护方法 ——DeepNcode，用于防范神经网络的位翻转攻击，实验结果表明，在 4 位和 8 位量化网络中，保护幅度分别提高了 7.6 倍和 12.4 倍，内存开销从原始网络大小的 50% 开始，而时间开销可忽略不计。此外，DeepNcode 不需要重新训练，也不改变模型的准确性。

    May, 2024

  • 有损联合源信道编码在有限块长制度下

    本文发现了最佳可达失真联合源信道码率的新的严格有限块长度界限，并证明联合源信道码设计在非渐近区域中带来了相当大的性能优势。

    Sep, 2012

  • 通过格状联合源信道编码的联邦学习

    该论文介绍了一种通用的联邦学习框架，通过数字通信实现空中计算，使用了一种新的联合源通道编码方案。该方案不依赖于设备的信道状态信息，采用晶格码来对模型参数进行量化，并利用设备的干扰。服务器上设计了一种新颖的两层接收器结构，可可靠地解码量化的模型参数的整数组合作为晶格点进行聚合。数值实验验证了该方案的有效性。即使在信道条件和设备异质性带来的挑战下，该方案显著超越了其他空中联邦学习策略。

    Mar, 2024

  • 深度联合源 - 通道编码与反馈的图像编码

    通过自编码机（autoencoder）我们提出了一种新的 JSCC 方案，将无噪声或有噪声的信道输出反馈引入到传输系统中，以提高接收端的重建质量或平均延迟，并展示了现代机器学习技术在通信领域中的应用。

    Nov, 2019