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

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

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

本文考虑了在噪声信道上传输结构化数据（例如自然语言）的联合源编码和信道编码问题，提出了基于深度学习编码器和解码器以及将句子嵌入语义空间后进行联合编码的方法，旨在同时最小化端到端失真和字错误率。

Feb, 2018

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

本文研究使用深度学习自动发现解码算法的可行性，并展示了我们训练的循环神经网络架构能够在自适应 AWGN 频道模型下，解码着名的顺序编码达到接近最优的性能。

May, 2018

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

我们提出了一种数据驱动的方法来明确学习连续源的渐进编码，该方法通过逐步提高质量并在相关的辅助信息的帮助下进行解码。我们的方法使用递归神经网络来学习二次高斯情况下的分层编码器和解码器，并通过最小化渐进 Wyner-Ziv 编码问题的速率 - 失真函数上的变分界来训练模型。我们证明了递归神经网络能够明确检索与可伸缩嵌套量化类似的分层分组解决方案。此外，该方案的速率 - 失真性能与相应的整体 Wyner-Ziv 编码方法相当，并且接近速率 - 失真界。

Nov, 2023

本文提出了第一种基于学习的 Coding-theoretic 解决方案，通过使用神经网络架构和训练方法，学习编码和解码函数来处理非线性计算，结果表明学习可以是设计码的有效技术，并且学习到的码是将编码优势应用于非线性计算的极具前途的方法。

Jun, 2018

本文研究了在加性白噪声信道上实现线性反馈编码作为内嵌编码的最佳方法，并比较了其他著名方案的性能。结果表明，该方法不仅在误码率和帧错误率上有所改善，而且在误差指数方面也有所提高。此外，模拟结果证明内嵌编码块长度应当按照 N=O (C/R) 的比例进行扩展，其中 C 为信道容量，R 为外部编码速率。

Apr, 2010