神经网络化 LDPC 译码器的训练要领
信息论
2022-08-10 v2 人工智能
math.IT
摘要
已知 LDPC 码的信念传播译码变体可在灵活地为消息传递边分配不同权重后轻易展开为神经网络。本文关注在深度学习框架内如何确定这些以可训练参数形式的权重。首先，提出一种通过利用对目标混合密度的近似来生成高质量训练数据的新方法。继而，在追踪训练演化曲线后，训练损失与译码度量之间的强正相关性被充分揭示。最后，为促进训练收敛并降低译码复杂度，我们强调在大幅削减可训练参数数量的同时关注幸存参数位置的必要性，这一点在大量仿真中得以验证。
引用
@article{arxiv.2205.00481,
title = {A recipe of training neural network-based LDPC decoders},
author = {Guangwen Li and Xiao Yu},
journal= {arXiv preprint arXiv:2205.00481},
year = {2022}
}
备注
9 pages,10 figures