基于 GNN 的短线性块码自动编码器：一种强化学习方法
机器学习
2024-12-04 v1 信息论
math.IT
摘要
本文提出一种新颖的基于自动编码器的端到端信道编码和解码方案。它将深度强化学习 (DRL) 和图神经网络 (GNN) 集成到代码设计中，通过将代码奇偶校验矩阵的生成建模为马尔可夫决策过程 (MDP)，来优化关键编码性能指标，如误码率和代码代数属性。提出了一种边权重 GNN (EW-GNN) 解码器，其在 Tanner 图上具有迭代消息传递结构。一旦在单个线性块码上训练，EW-GNN 解码器即可直接用于解码不同代码长度和代码率的其他线性块码。对 DRL-based 代码设计器和 EW-GNN 解码器进行迭代联合训练，以优化端到端编码和解码过程。仿真结果表明，所提出的自动编码器在短块长度上显著优于包括基于信念传播 (BP) 解码的低密度校验码 (LDPC)、最大似然解码 (MLD) 和基于 BP 解码的 BCH 码等几种传统编码方案，同时保持低解码复杂度，提供了出色的误差纠错能力。
引用
@article{arxiv.2412.02053,
title = {GNN-based Auto-Encoder for Short Linear Block Codes: A DRL Approach},
author = {Kou Tian and Chentao Yue and Changyang She and Yonghui Li and Branka Vucetic},
journal= {arXiv preprint arXiv:2412.02053},
year = {2024}
}
备注
13 pages; submitted to IEEE Trans. arXiv admin note: text overlap with arXiv:2211.06962