ProductAE：基于神经乘积码训练更大信道码
信息论
2022-09-13 v2 机器学习
系统与控制
系统与控制
math.IT
摘要
近年来，通过深度学习自动化设计信道编码器与解码器已有大量研究活动。由于信道编码中的维度挑战，通过深度学习技术设计并训练较大的神经信道码极为复杂。因此，文献中的多数结果局限于信息比特少于100的较短码。本文构建ProductAEs，一类计算高效的深度学习驱动（编码器，解码器）对，旨在以可控的训练复杂度实现较大信道码（编码器与解码器）的训练。我们基于经典乘积码的思想，提出使用较小的码分量构造大型神经码。更具体地，不直接训练维度为、块长为的大型神经码的编码器与解码器，我们提供一种框架，仅需训练参数为与的神经编码器与解码器，满足且。我们的训练结果显示，在全部信噪比（SNR）范围内，参数为的码以及中等长度参数的码，相较采用连续消除（SC）解码器的极化码有显著增益。此外，我们的结果展示出相对于Turbo自编码器（TurboAE）与最先进经典码的有意义增益。这是首项设计乘积自编码器的工作，也是训练大型信道码的开创性工作。
引用
@article{arxiv.2110.04466,
title = {ProductAE: Towards Training Larger Channel Codes based on Neural Product Codes},
author = {Mohammad Vahid Jamali and Hamid Saber and Homayoon Hatami and Jung Hyun Bae},
journal= {arXiv preprint arXiv:2110.04466},
year = {2022}
}