MMMay, 2023

使用 CNN-Autoencoder 在有限块长制度下，对高斯信道进行编码

PDF
TL;DR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。
ultra-reliable low-latency communicationsconvolutional neural networks autoencodersgaussian channelblocklengthframe error probability
发现论文，激发创造
  • 优化干扰抑制的端到端自编码通讯

    该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。

    Dec, 2021

  • Turbo Autoencoder：基于深度学习的点对点通信信道编码

    本文介绍了一种新型神经编码器和解码器 TurboAE，该编码器可以通过深度学习来自动化设计通道编码，以提高非规范通道模型的可靠性，并在中等块长度下接近规范通道模型的最新性能水平。

    Nov, 2019

  • 通过循环神经网络创造低延迟编码

    本文针对 5G 标准下信道编码的低延迟要求，基于深度学习和通信工程知识，提出了一种端到端学习的神经编码器，称为 LEARN 编码器。相比传统卷积码，LEARN 编码器在低延迟条件下表现更好，具有强鲁棒性和适应性，表现出设计用于未来通信的新型多功能通用编码的潜力。

    Nov, 2018

  • 基于 AEVB 的智能通信系统

    本文提出了一种基于 CNN 的 VAE 通信系统，使用可调节超参数 beta 的 VAE 架构，在传统方法中表现卓越，具有极度脱耦的潜在空间表现，使得基于连续潜在空间的 VAE 系统比其他系统表现更佳。

    May, 2020

  • 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

  • OFDM 自编码器用于通信系统端到端学习

    通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。

    Mar, 2018

  • 神经联合信源信道编码

    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

  • 反馈循环自编码器

    提出了一种新的递归自编码器结构 —— 反馈递归自编码器（FRAE），用于在线压缩带有时态依赖性的顺序数据，尤其是语音谱图压缩，结合神经声码器，实现低固定比特率下的高质量语音波形，进一步使用学习到的潜在空间先验和熵编码器，可以达到更低的可变比特率。

    Nov, 2019

  • 反馈有益，积极反馈更佳：块注意力积极反馈码

    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

  • ProductAE: 面向大维数的深度学习驱动错误校正码

    本文提出了 Product Autoencoder，这是一款深度学习驱动的 (encoder,decoder) 对，可用于训练相对大的代码 (k=300 位)，其表现比经典设计更有意义，且对于训练中使用的不同通道模型具有良好的鲁棒性和适应性。

    Mar, 2023