Nov, 2022

反馈有益，积极反馈更佳：块注意力积极反馈码

PDF
TL;DR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。
neural networkchannel codingfeedbacktransformer architectureblock error rate
发现论文，激发创造
  • 反馈说话：使用块注意力反馈代码进行通信

    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

  • 基于功率约束的深度学习鲁棒非线性反馈编码

    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

  • 深度学习中的反馈码

    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

  • DRF Codes: 深度信噪比强健反馈编码

    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

  • 深度延伸反馈码

    本文提出了一种基于深度神经网络的误差校正编码器架构，名为 Deep Extended Feedback（DEF），旨在提高带反馈信道传输的编码效率和纠错能力，并且比其他深度神经网络编码方法更优秀。

    May, 2021

  • 学习线性分组纠错码

    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

  • AttentionCode: 短数据包超可靠反馈编码

    本论文探讨了利用接收器反馈信息实现超可靠短数据包通信的新模式，提出 AttentionCode 这类深度学习反馈码。AttentionCode 是由 AttentionNet、输入数据重构和自适应衰落信道等三个创新技术与大批量、分布式学习、前瞻优化、信噪比错配训练和课程学习等多个训练方法构成的，是一类极具实用价值的机器学习无线通信方法。实验结果验证了 AttentionCode 在各类无线信道中均具有较优表现（误块率可达 $10^{-7}$），可为未来关键应用提供超高可靠短数据包的传输保障。

    May, 2022

  • 使用 CNN-Autoencoder 在有限块长制度下，对高斯信道进行编码

    本文论述了使用卷积神经网络自编码器解决长码和短码的问题，通过对一系列信噪比的探索，与其他编码方案相比，发现该方案可以逼近理论最大可实现速率，解决了在无线网络中实现低延迟应用需要高可靠性编码的挑战。

    May, 2023

  • 线性分组码的 RNN 解码

    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

  • 纠错码变形器

    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