面向中继信道的神经压缩前传

中继信道由源-目的端对和中继端组成，是合作通信的基本组件。尽管一般中继信道的容量尚未知晓，但各种中继策略，包括压缩前传（CF），已被提出。对于CF，鉴于中继端和目的端之间的相关信号，可利用分布式压缩技术，如Wyner-Ziv编码，更有效地利用中继-目的端链路。在最新进展中，神经网络基于分布式压缩的研究表明，我们重新审视了中继信道问题，将一种学习的单次Wyner-Ziv压缩器集成到一种具有有限容量和正交（或带外）中继-目的端链路的原始中继信道中。 resulting neural CF scheme demonstrates that our task-oriented compressor recovers "binning" of the quantized indices at the relay, mimicking the optimal asymptotic CF strategy, although no structure exploiting the knowledge of source statistics was imposed into the design. 我们展示了所提出的神经CF方案，采用有限阶调制，接近假设为高斯信源 codebook 的原始中继信道容量。我们的学习压缩器为向实用神经CF中继方案提供了首个概念验证工作。