提出了一种基于深度学习方法改进置信传播算法的新方法。该方法通过对 Tanner 图的边进行加权来推广标准置信传播算法，然后使用深度学习技术进行训练。该方法能够保留传统算法的性能独立性，从而只需要学习一个码字而不是指数数量的码字，并在各种纠错码中展示了对置信传播算法的改进。

Jul, 2016

本文提出了一种使用机器学习来定制超完备校验矩阵的方法，通过裁剪不重要的检测节点并优化 Tanner 图中的权重，每个迭代使用不同的校验矩阵，从而在短线性块码上，实现比 BP 译码更好的性能且减少了解码器的复杂度。

Jan, 2020

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

提出利用错误编码的数据进行深度学习模型训练的新方法，并结合加权置信传播算法（WBP）与活性学习技术，在不增加推理复杂度的情况下，通过精心采样数据成功改进 BCH (63, 36)、(63, 45) 和 (127, 64) 三个码的 WBP 解码效果，这为深度学习模型优化提供了一种将误差相关的领域知识纳入模型的指导方法，并可在其他基于深度学习的通信块上推广应用。

Jun, 2019

提出了一种新型高效的神经解码算法，结合神经置信传播算法和自同构群置换，实现了近乎最大似然性能的高密度奇偶校验码的解码，并显著降低了解码复杂度；此外，通过探究训练过程，加速了学习过程，通过模拟 Hessian 矩阵和条件数进一步说明了加速的原因，同时展示了算法在各种长度为 63 位及以下的线性分组码的解码效果。

Jan, 2018

本文提出了一种基于置信传播和深度学习的稀疏神经网络解码器 (SNND)，用于极化码的解码，取得了与复杂的累加 - 乘算法相近的性能，尤其在解码延迟方面显著降低。

Nov, 2018

本文提出了一种基于置信传播列表（BPL）的解码器，实现了与连续取消列表（SCL）解码器相当的性能，并且没有改变极化码的结构，是连续取消列表（SCL）解码器的一种替代方案，可用于迭代检测和译码以进一步提高性能。此外，该算法具有较低的解码延迟和高吞吐量实现的可能性，并且可以通过不同的选位冻结策略进一步增强误码率性能。

Jun, 2018

本文提出了一种用于低密度奇偶校验码的量化解码算法，其中，标准的最小和算法的变量节点更新规则被用信息论准则设计的查找表所替换。研究结果表明，即使使用只有 3 位消息分辨率的算法，也能比使用浮点数的最小和译码器取得更好的误码率；此外，研究了不同的译码器设计参数对译码性能的影响，如设计信噪比和查找表树结构等，并提出了一些复杂度约简技术，如查找表重用和消息字母表缩小。

Dec, 2015

研究使用线性节目（LP）编码进行错误纠正，使用优化论的分解方法，开发了一种有效的分布式算法，它具有比置信传递解码器更强的理论保证，并可以用于高效地译码大规模错误纠正码，同时避免了误差底座问题。

Apr, 2012

本文针对分布式存储应用中出现的信息符号局部性和線性码本身的修改，提出了一种新的纠错码方法，该方法可以在出现局部校验错误时恢复被删除的码符号，并给出了相应的严格界限。

Feb, 2012