面向小信道扰动的 AI 信道解码器的脆弱性分析
信息论
2026-02-03 v1 人工智能
机器学习
math.IT
摘要
近期深度学习技术推动了 AI 信道解码器的发展，报告称其在 AWGN 信道上的性能优于传统的信念传播(BP)解码。尽管这些收益令人鼓舞，但一个根本问题仍待解答：这些性能提升的来源是什么，以及为实现它们付出了什么代价？本文通过对信道输出分布性偏移的鲁棒性视角进行分析。我们评估了输入依赖的对抗性扰动(FGM 和投射梯度方法，受 约束限制)以及适用于所有接收向量的通用对抗性扰动。我们的结果表明，近期的 AI 解码器，包括 ECCT 和 CrossMPT，在此类扰动下可能遭受显著性能下降，尽管在独立同分布的 AWGN 条件下表现优异。此外，对 AI 解码器间的对抗性扰动传递相对较强，但对基于 BP 的解码器的传递较弱，通用扰动的危害显著高于等范数随机扰动。这些数值结果表明，近期 AI 解码器性能提升潜在伴随鲁棒性代价及其对信道分布的更高敏感性。
引用
@article{arxiv.2602.01582,
title = {On the Fragility of AI-Based Channel Decoders under Small Channel Perturbations},
author = {Haoyu Lei and Mohammad Jalali and Chin Wa Lau and Farzan Farnia},
journal= {arXiv preprint arXiv:2602.01582},
year = {2026}
}