Mar, 2024

LIGHTCODE: 反馈信道的光分析和神经码

PDF
TL;DR通过设计具有可靠性和高效性的编码方案，本文研究了在具有反馈的信道中的通信理论挑战。我们提出了分析编码方案 POWERBLAST 和轻量级神经编码方案 LIGHTCODE，用于改进通信系统的可靠性，并在学习的代码中建立了 LIGHTCODE 和 POWERBLAST 的关联，提供了线性回归分析的解释。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于深度学习的通信算法

    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

  • 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

  • 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

  • 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

  • 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

  • 基于深度学习的信道译码

    本文探讨使用深度神经网络进行一次解码的想法，特别是在随机和结构化码，如极化码方面的应用。通过实验我们发现，结构化码比随机码更易于学习，并且神经网络能够推广到它没有见过的结构化码中，这提供了神经网络可以学习解码算法的证据。我们引入了标准化验证误差（Normalized Validation Error，NVE）来进一步研究深度学习解码的潜力和限制。

    Jan, 2017

  • 深度学习提高线性编码解码的方法

    探讨利用深度学习方法改进信道解码器进行线性码的近似最优的解码，发现可以通过构建循环神经网络的体系结构来实现解码器参数的绑定，以此有效降低参数数量并提升性能。

    Jun, 2017