GBPNet：保留消息传递对称性的神经线性码解码器
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出广义置信传播网络 GBPNet，用于线性码解码。该架构保留 Tanner 图结构与消息传递对称性，采用级联变量节点更新和可学习的逐元素消息缩放来增强学习能力，并引入渐进训练与高信噪比训练两种策略提升解码准确率。在多种线性码上的实验显示，其误码率低于传统置信传播以及所评估的当前最优神经解码器。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载架构如何保留对称性
论文关注线性码解码这一通信系统的基础环节。近年神经解码器相对经典迭代算法表现出性能优势，GBPNet 的切入点是：在不破坏消息传递对称性的前提下提升解码器的学习能力。具体做法是保留 Tanner 图结构，把变量节点的更新改为级联形式，并对消息施加可学习的逐元素缩放。这样，网络仍然沿着因子图的边传递消息，但每一步的幅度可以由训练得到，从而在结构约束内获得更大的表达空间。
两种训练策略
除架构外，论文还给出两种训练安排：渐进训练与高信噪比训练，目标是提高解码准确率。材料没有展开这两种策略的具体调度方式与超参数，只说明它们被用于改善解码表现。对关注神经解码器实现细节的读者，这部分是判断方法可复现性的关键，需要回到原文查看训练流程与实验设置。
实验结果与对比
在若干线性码上的实验结果表明，GBPNet 的误码率低于传统置信传播，也低于论文所评估的当前最优神经解码器。材料未给出具体码长、码率或误码率数值，因此对比幅度无法从摘要层面判断。可确认的是比较对象包含经典迭代算法与已有的神经解码方案两类，结论方向为 GBPNet 更优。
为什么值得看
神经解码器在纠错码上的进展，关系到通信系统可靠传输；该工作给出保留对称性的架构与训练策略组合。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。