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

通过DNN自编码器实现通讯系统的端对端学习对物理对抗攻击极为脆弱，特别是通过广播信道传输良好设计的干扰信号会对传输系统信息的误码率造成数量级的影响，且对抗攻击比干扰攻击更具破坏性，而传统编码方案对抗攻击和干扰攻击的鲁棒性更强。

Feb, 2019

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

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

本论文提出了一种新的方法，利用深度学习框架确定传递消息的不同边的可训练参数，重点是减少可训练参数的数量并强调其位置。经过广泛的模拟实验，论文表明这种方法可以提供高质量的训练数据，并展示了训练损失和解码指标之间的强正关系。

May, 2022

本文介绍在研究和优化Belief Propagation解码器的过程中，通过研究非AWGN通道和权重纠缠的作用，来提高最小和版本的解码器的性能，并对所学习的权重及其对潜在代码结构的影响进行解释。最后，我们运用软件定义的无线电进行算法评估。

May, 2022

研究了神经解码器的最大似然解码问题，通过在节点的激活上使用两个新的损失项，实现了神经解码器的改进；这个改进方法的运行时间和模型大小与BP神经解码器相同，但在BCH码上将解码性能提高了1.1dB。

Jun, 2022

本文提出了一种基于异构图神经网络的迭代消息传递算法 (IMP) 来构造极化码，对比传统的构造方法，该算法拥有更好的稳定性和可扩展性。

Jul, 2022

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