本研究提出了一种新的极化码构建框架，其中基于遗传算法，定制化地选择某个译码算法的冻结比特位置，以适应译码行为和通道特性，并在成功地构造出匹配无 CRC 辅助 SCL 译码的长度为 2048、编码速率为 0.5 的极化码的同时，大幅减少低重量码字的总数，从而获得了相对于 CRC 辅助译码更优异的 1 dB 的编码增益。

Jan, 2019

本文提出一种基于 Genetic Algorithm 的新型极化码构造框架，通过演化变换不同的信息集来适应于指定的译码算法，而不是基于不一定最优的假设；使用该算法，我们构造了一种极化码，无须 CRC 辅助，达到了与 CRC 辅助 SCL 译码相同的误码率性能，同时在 $10^{-6}$ 比特误率下实现了 1dB 的编码增益。另外，我们还展示了可以通过把我们的算法应用到信念传播译码来接近 SCL 的误码率性能而不需要修改译码算法本身。

Jan, 2019

本文介绍了一种新颖的预转换极化码类别，称为深度极化码。此类码具有低复杂度的编码实现和重复度增强，同时支持多种码率和码块长度，提出了一种低复杂度的解码算法和延迟低的并行解码算法，并通过模拟实验证明了其在短块长度下优于现有的预转换极化码，并展示了与循环冗余检验码级联可以在某些情况下达到有限块长度容量的元逆推 bound，与此 bound 之间仅相差 0.4 dB。

Aug, 2023

本文提出一种基于课程的顺序神经网络解码器（CRISP）用于极化码，该解码器基于信息论指导下的有原则的课程设计，使用数据驱动策略训练网络，通过与其他课程的比较，CRISP 在 Polar（32,16）和 Polar（64,22）码上表现出色，在现有 SC 解码器可靠性较低的情况下，CRISP 可轻松扩展到极化调整卷积（PAC）码，并且成为第一个在 PAC（32,16）码上表现近乎最优的数据驱动解码器。

Oct, 2022

通过新颖的数据驱动方法，提出了一种针对具有和不具有记忆的信道设计极化码的方法。该方法利用连续取消 (SC) 译码器的结构来设计神经 SC (NSC) 译码器，使用神经网络 (NNs) 替代原始 SC 译码器的核心元素，以及在 SC 译码器的输入空间中嵌入信道输出的附加 NN。该方法不仅具备理论保证，还具有计算复杂性随信道记忆大小而不增长的优势。该算法在无记忆信道和具有记忆信道上展示了其性能，并与最优极化译码器进行了比较，同时还适用于 SC 和 SCT 译码器不适用的情况。

Sep, 2023

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

通过使用序列建模框架，我们提出了一种针对各种信道条件下，根据给定长度和速率迭代构建极化码的方法，并通过仿真结果显示，序列建模使用变压器设计的极化码在 AWGN 和瑞利衰落信道下比 5G-NR 序列和密度演化方法表现更好。

Jan, 2024

本文提出了一种基于置信传播列表（BPL）的解码器，实现了与连续取消列表（SCL）解码器相当的性能，并且没有改变极化码的结构，是连续取消列表（SCL）解码器的一种替代方案，可用于迭代检测和译码以进一步提高性能。此外，该算法具有较低的解码延迟和高吞吐量实现的可能性，并且可以通过不同的选位冻结策略进一步增强误码率性能。

Jun, 2018

本文研究了在一般二进制无记忆对称通道上实现最大似然解码所需平均列表大小的信息论量，并提供了这些量的上下界。研究表明可通过修改 Reed-Muller 码等方式改善性能，并且对于足够大的块长度，列表大小的对数具有集中的趋势，该文通过概率质量函数的方式对其进行了说明。

Mar, 2021

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