本论文提出了一种深度联合源 - 信道编码方案，以实现高效可靠的跨技术通信，通过利用现有的 CTC 编码算法作为领域知识来指导编码解码器对 CTC 链路特性进行更好的学习，进一步提高了 CTC 的效率，通过广泛的仿真验证，本方案与现有的 CTC 方案相比，可以将传输开销减少高达 97.63％，结构相似性指数提高了 734.78％。

Jan, 2024

本文提出了一种基于 CTC 的全神经网络语音识别器的设计方法，包括新的符号存储库、基于迭代的 CTC 方法、稳定化方法和初始化方法等，使用 NIST 2000 会话电话测试集进行了评估，结果表明该系统明显超过了先前发布的相似系统的性能，无需使用外部语言模型和解码技术。

Sep, 2016

该研究提出了一种可训练的点对点通信系统，其中发射机和接收机均实现为神经网络，通过比特互信息训练并联结实用的比特度量译码接收机，同时联合优化星座图造型和标注，通过完全可微分的神经网络迭代解调和解码结构，在不修改任何条件的情况下处理任意通道，采用软件定义无线电实现并训练了端到端系统，实验结果表明，与传统技术相比，该方法具有显著的性能优势。

Nov, 2019

本研究提出了一种创新的同步双语联结主义时间分类 (CTC) 框架，利用双重 CTC 来填补语音翻译任务中模态和语言之间的差距。通过将转录和翻译作为 CTC 的并行目标，我们的模型填补了音频和文本以及源语言和目标语言之间的差距。在 CTC 应用的最新进展基础上，我们还开发了一个增强的变体 BiL-CTC+，在资源受限场景下创造出了新的最先进性能。有趣的是，我们的方法还显著提高了语音识别性能，揭示了跨语言学习对转录的影响，并展示了其广泛的适用性。源代码可以在此 https URL 获取。

Sep, 2023

本文介绍了一种基于 CTC 的非自回归语音翻译模型，采用预测感知编码方法和跨层注意力方法解决了翻译任务中的条件独立生成和单调对齐等问题，加速比为 5.67 倍，BLEU 分数为 29.5，在 MuST-C ST 基准测试上优于自回归模型和之前的最佳结果。

May, 2023

为了解决在设备实时使用时由于复杂架构、大量输入数据、计算能力和推理时间等限制，将嵌入系统的挑战，本研究提出了一种新颖的两流特征融合 “张量卷积和卷积变换网络” (TCCT-Net) 架构。该架构在 EngageNet 数据集上得到了验证，相比基准模型只使用两个行为特征（头姿势旋转），提出的方法表现出更好的性能。此外，对比分析显示 TCCT-Net 架构在推理速度方面相较于最先进的基于图像的循环神经网络 (RNN) 方法获得了数量级的提升。

Apr, 2024

本文针对 mMTC 场景中海量 MTC 设备的 QoS 保障、RAN 拥塞等问题展开研究，综述了现有解决方案并提出了新的解决方向，其中包括利用机器学习技术解决 mMTC 中的 QoS 问题。

Aug, 2018

通过协同训练的 CTC 模型的指导，我们提出了一种新颖的方法来加速基于递归神经网络传输器 (RNN-T) 的训练和推理过程，并通过在编码器中进行帧降维操作来减少计算量。在 Librispeech 和 SpeechStew 任务上评估表明，新方法可将 RNN-T 推理加速 2.2 倍而不影响单词错误率 (WER)。

Oct, 2022

本文研究深度神经网络在物理层通信中的应用，首先通过比较传统和基于 DNN 的编码器的性能来验证其可行性，接着通过理论分析 DNN 估计器的性能来展示其吸引人的特点，并探究 DNN 通信系统中的信息流动机制以及与传统的通信系统的差异。该研究为 DNN 智能通信技术的设计提供支持并提供可解释的性能评估。

Feb, 2022

这篇论文探讨了 Connectionist Temporal Classification 在翻译任务中的应用，并提出了 CTC/attention 的联合模型，改进了传统 attention 模型的训练表现和效果。

Oct, 2022