基于伴随式损失的无监督学习神经网络极化译码器
信号处理
2019-11-06 v1 机器学习
摘要
随着深度学习在许多领域的快速发展，机器学习辅助通信系统吸引了大量研究并取得了诸多引人注目的初步成果。现阶段，大多数方法仍对监督学习所需的大量标注数据有巨大需求。然而，在实际应用中获取标注数据并不可行，可能因信道变化导致严重的性能下降。为克服这一限制，已提出伴随式损失（syndrome loss）来惩罚无效解码码字，并实现基于神经网络译码器的无监督学习。但它无法直接应用于极化译码器。在本工作中，通过利用极化码的特性，我们提出了一种改进的伴随式损失。仿真结果表明，所提方法证明了码结构中的领域特定知识与诀窍能够实现基于神经网络极化译码器的无监督学习。
引用
@article{arxiv.1911.01710,
title = {Unsupervised Learning for Neural Network-based Polar Decoder via Syndrome Loss},
author = {Chieh-Fang Teng and An-Yeu Wu},
journal= {arXiv preprint arXiv:1911.01710},
year = {2019}
}
备注
four pages, six figures