用于分组码的超图网络解码器
信息论
2019-10-28 v2 机器学习
math.IT
机器学习
摘要
神经解码器已被证明在短 BCH 码上优于经典的消息传递技术。在这项工作中，我们通过使用图神经网络执行消息传递，将这些结果扩展到更大的代数分组码族。Tanner 图中每个变量节点处的子网络参数由一个超网络获得，该超网络接收当前消息的绝对值作为输入。为增加稳定性，我们采用了一种基于该激活函数高阶泰勒近似的简化版 arctanh 激活。我们的结果表明，对于来自不同码族（BCH、LDPC、Polar）的大量代数分组码，用我们的方法获得的解码性能优于普通的置信传播方法以及文献中的其他学习技术。
引用
@article{arxiv.1909.09036,
title = {Hyper-Graph-Network Decoders for Block Codes},
author = {Eliya Nachmani and Lior Wolf},
journal= {arXiv preprint arXiv:1909.09036},
year = {2019}
}
备注
Accepted to NeurIPS 2019. Camera Ready