MMJun, 2020

基于神经检验多面体投影的二进制线性码 PDD 解码器

PDF
TL;DR本文提出了基于惩罚对偶分解（PDD）框架的 PDD 算法，并将机器学习技术集成到 PDD 解码算法的最耗时部分 —— 检查多面体投影（CPP）中，提出了特别设计的神经 CPP（NCPP）算法来降低解码延迟。仿真结果表明，所提出的算法是有效的
linear programmingpenalty dual decompositionmachine learningmaximum likelihood decodingneural cpp
发现论文，激发创造
  • 大规模 LP 译码的分解方法

    研究使用线性节目（LP）编码进行错误纠正，使用优化论的分解方法，开发了一种有效的分布式算法，它具有比置信传递解码器更强的理论保证，并可以用于高效地译码大规模错误纠正码，同时避免了误差底座问题。

    Apr, 2012

  • 基于 ADMM 罚项的 LDPC 码译码器

    本文提出了两种基于 ADMM 和重加权技术的线性规划解码算法，解决了低信噪比下 LP 解码性能不足的问题，并实验证明这两种新算法在所有信噪比下的性能优于 BP 和 LP 解码。

    Sep, 2014

  • 自适应割生成算法改进二元线性码线性规划译码

    本研究提出了一种新的算法来生成奇偶校验不等式，用于解码线性分组码，可以通过消除线性规划解码器产生的赝码字显著提高解码器误码率性能，并实现了与 ML 解码之间的性能接近。

    May, 2011

  • 深度学习辅助下基于 ADMM 的二元线性码解码器

    本研究提出了一种基于深度神经网络的解码算法，通过深度展开设计解码网络，其中采用交替方向乘子法罚函数，提出两种改进的网络结构，数值结果表明，其解码性能在各种低密度奇偶校验码下超越原始的交替方向乘子法罚函数解码器，且具有相似的计算复杂度。

    Feb, 2020

  • 神经置信传播解码器修剪

    本文提出了一种使用机器学习来定制超完备校验矩阵的方法，通过裁剪不重要的检测节点并优化 Tanner 图中的权重，每个迭代使用不同的校验矩阵，从而在短线性块码上，实现比 BP 译码更好的性能且减少了解码器的复杂度。

    Jan, 2020

  • 深度学习下的近似最大似然解码

    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

  • 预测管道解码：实现精确 LLM 解码的运算延迟平衡

    本文提出了一种名为 “预测管线解码（PPD）” 的方法，该方法采用额外的计算资源来并行化当前令牌解码期间下一个令牌解码的启动，从而加快了大型语言模型的贪婪解码速度，并降低了解码延迟。

    Jul, 2023

  • 基于分区的极化码深度学习解码的规模化

    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

  • 稀疏图上的极化解码与深度学习

    本文提出了一种基于置信传播和深度学习的稀疏神经网络解码器 (SNND)，用于极化码的解码，取得了与复杂的累加 - 乘算法相近的性能，尤其在解码延迟方面显著降低。

    Nov, 2018

  • 基于深度学习的极化码设计

    通过使用深度学习建立极化码，我们将信息 / 冻结比特索引表示为二进制向量，并通过梯度下降优化这个向量，同时考虑译码器，实现了在 AWGN 和 Rayleigh 信道上的很好表现的极化码设计。

    Sep, 2019