利用长短时记忆网络（LSTM）和信噪比（SNR）感知注意力机制进行深度神经网络（DNN）编码纠错，用于在具有输出反馈的衰落信道中实现更可靠的通信，并在在多播信道中进行了有效性验证。

Dec, 2021

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

本研究提出一种使用神经网络辅助的通道编码方案，利用 transformer 架构的广义块注意力反馈码在主动反馈通道中表现出卓越的性能，实现了新的最先进的 BLER 性能。

Nov, 2022

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

本文介绍了一种深度学习为基础的信道编码设计框架，称为广义块注意力反馈（GBAF）编码，该编码可以显著改善反馈信道传输的误码率，可以在所需的码率下传输。

Jun, 2022

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

本文研究了基于深度神经网络的频分双工海量多输入多输出系统中的高效分布式信道估计、量化、反馈和下行多用户预编码技术，使用联合设计的序列与新的神经网络架构，使用户的反馈位直接转化为基站端的预编码矩阵，极大地提高了系统性能，且对于不同用户和反馈比特数，设计了实用的鲁棒性测试和普适的神经网络架构。

Jul, 2020

本文提出了一种基于去噪扩散模型进行软解码的方法，通过引入迭代步骤、纠错编码和神经扩散解码器等创新性贡献，能够有效地实现 ECC，同时在单个反向扩散步骤下实现了优异的解码精度，较传统方法有很大提高。

Sep, 2022

提出了一种新的框架，可以将深度神经网络应用于任意块长度的线性码的软译码，其中使用递归神经网络结构以及排序统计解码算法进行预处理来提高性能。

Feb, 2018