优化节点激活的神经解码
使用可学习的偏置参数,我们提出一种硬件友好的方法,以取代在Tanner图中使用乘法权重的深度学习技术,从而改进纠错解码器的性能,并将其与另一种神经解码算法进行比较,结果在考虑的代码中实现了比传统置信传播高1dB的错误纠正性能,并取得比乘法算法少0.1dB的性能。
Jan, 2017
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
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
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
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
本研究首次提出了一种统一的编码-解码训练方法,用于二进制线性分组码,采用了适应性编码设置,支持针对二阶伽罗瓦域的端到端优化。我们还提出了一种新颖的Transformer模型,其中的自注意力掩码采用可微分的方式进行,以实现对码梯度的有效反向传播。实验结果表明:(i) 所提出的解码器在常规编码上优于现有的神经解码器;(ii) 所提出的框架生成的编码优于相应的常规编码;(iii) 我们开发的编码不仅在我们的解码器上表现出色,而且在传统解码技术上也表现出更好的性能。
May, 2024