論文の概要: Scalable Polar Code Construction for Successive Cancellation List
Decoding: A Graph Neural Network-Based Approach
- arxiv url: http://arxiv.org/abs/2207.01105v1
- Date: Sun, 3 Jul 2022 19:27:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 16:22:54.771847
- Title: Scalable Polar Code Construction for Successive Cancellation List
Decoding: A Graph Neural Network-Based Approach
- Title（参考訳）: 逐次キャンセラリストデコーディングのためのスケーラブル極性コード構築:グラフニューラルネットワークに基づくアプローチ
- Authors: Yun Liao, Seyyed Ali Hashemi, Hengjie Yang, John M. Cioffi
- Abstract要約: 本稿では,極符号構築問題の解法としてグラフニューラルネットワーク(GNN)を用いた強化学習アルゴリズムを提案する。
IMPモデルのサイズはブロック長とコードレートとは独立であり、長いブロック長を持つ極性コードを構築するのにスケーラブルである。
数値実験により、IMPアルゴリズムは古典的な構成よりもはるかに優れた極コード構造を見出した。
- 参考スコア（独自算出の注目度）: 11.146177972345138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While constructing polar codes for successive-cancellation decoding can be
implemented efficiently by sorting the bit-channels, finding optimal polar-code
constructions for the successive-cancellation list (SCL) decoding in an
efficient and scalable manner still awaits investigation. This paper proposes a
graph neural network (GNN)-based reinforcement learning algorithm, named the
iterative message-passing (IMP) algorithm, to solve the polar-code construction
problem for SCL decoding. The algorithm operates only on the local structure of
the graph induced by polar-code's generator matrix. The size of the IMP model
is independent of the blocklength and the code rate, making it scalable to
construct polar codes with long blocklengths. Moreover, a single trained IMP
model can be directly applied to a wide range of target blocklengths, code
rates, and channel conditions, and corresponding polar codes can be generated
without separate training. Numerical experiments show that the IMP algorithm
finds polar-code constructions that significantly outperform the classical
constructions under cyclic-redundancy-check-aided SCL (CA-SCL) decoding.
Compared to other learning-based construction methods tailored to SCL/CA-SCL
decoding, the IMP algorithm constructs polar codes with comparable or lower
frame error rates, while reducing the training complexity significantly by
eliminating the need of separate training at each target blocklength, code
rate, and channel condition.
- Abstract（参考訳）: 逐次キャンセレーション復号化のための極符号はビットチャネルをソートすることで効率よく実装できるが、逐次キャンセレーションリスト(SCL)復号化のための最適極符号構成は、依然として検討が待たれている。
本稿では,SCLデコーディングにおける極符号構成問題の解法として,反復メッセージパッシング(IMP)アルゴリズムというグラフニューラルネットワークに基づく強化学習アルゴリズムを提案する。
このアルゴリズムは、polar-codeのジェネレータ行列によって引き起こされるグラフの局所構造のみで動作する。
IMPモデルのサイズはブロック長とコードレートとは独立であり、長いブロック長を持つ極性コードを構築するのにスケーラブルである。
さらに、単一のトレーニングされたIMPモデルを、幅広いターゲットブロック長、コードレート、チャネル条件に直接適用することができ、対応する極性コードを生成することができる。
数値実験により、IMPアルゴリズムは、巡回冗長チェック支援SCL(CA-SCL)復号法において、古典的な構成を著しく上回る極符号構造を見出した。
IMPアルゴリズムは、SCL/CA-SCL復号に適合する他の学習ベース構築法と比較して、各目標ブロック長、符号レート、チャネル条件での個別のトレーニングを不要にすることで、トレーニングの複雑さを著しく低減しつつ、同等または低いフレームエラー率で極コードを構築する。
関連論文リスト
- List Decodable Quantum LDPC Codes [49.2205789216734]
我々は、ほぼ最適レート距離のトレードオフを持つ量子低密度パリティチェック(QLDPC)符号の構成を行う。
復号化可能なQLDPCコードとユニークなデコーダを効率よくリストアップする。
論文 参考訳（メタデータ） (2024-11-06T23:08:55Z) - Decoding Quantum LDPC Codes Using Graph Neural Networks [52.19575718707659]
グラフニューラルネットワーク(GNN)に基づく量子低密度パリティチェック(QLDPC)符号の新しい復号法を提案する。
提案したGNNベースのQLDPCデコーダは,QLDPC符号のスパースグラフ構造を利用して,メッセージパスデコーダとして実装することができる。
論文 参考訳（メタデータ） (2024-08-09T16:47:49Z) - Factor Graph Optimization of Error-Correcting Codes for Belief Propagation Decoding [62.25533750469467]
低密度パリティ・チェック (LDPC) コードは、他の種類のコードに対していくつかの利点がある。
提案手法は,既存の人気符号の復号性能を桁違いに向上させる。
論文 参考訳（メタデータ） (2024-06-09T12:08:56Z) - Nested Construction of Polar Codes via Transformers [3.2841640957249285]
本稿では,任意の長さとレートの極性符号を様々なチャネル条件下で反復的に構築するためのシーケンスモデリングフレームワークを提案する。
シミュレーションにより, 変圧器を用いた逐次モデリングにより設計した極性符号は, AWGN と Rayleigh のファイディングチャネルにおいて, 5G-NR シーケンスおよび密度進化に基づくアプローチより優れていることが示された。
論文 参考訳（メタデータ） (2024-01-30T17:17:43Z) - Testing the Accuracy of Surface Code Decoders [55.616364225463066]
大規模でフォールトトレラントな量子計算は量子エラー訂正符号(QECC)によって実現される
本研究は,QECC復号方式の精度と有効性をテストするための最初の体系的手法である。
論文 参考訳（メタデータ） (2023-11-21T10:22:08Z) - Deep Polar Codes [19.265010348250897]
我々は、深度極性符号(deep polar code)と呼ばれる、事前変換された極性符号の新たなクラスを導入する。
まず、様々な大きさの多層極変換を利用するディープ・ポーラ・エンコーダを提案する。
我々の符号化法はレートプロファイリングの柔軟性を提供し、幅広いコードレートとブロック長を受け入れる。
論文 参考訳（メタデータ） (2023-08-06T03:29:18Z) - For One-Shot Decoding: Self-supervised Deep Learning-Based Polar Decoder [1.4964546566293881]
極性符号のワンショット復号を可能にする自己教師付き深層学習に基づく復号法を提案する。
提案手法では、ニューラルネットワーク(NN)をトレーニングするラベルとして情報ビットベクトルを使用する代わりに、NNは有界距離デコーダとして機能するように訓練される。
論文 参考訳（メタデータ） (2023-07-16T11:12:58Z) - Improved Logical Error Rate via List Decoding of Quantum Polar Codes [8.122270502556372]
逐次キャンセルリストデコーダ (SCL) は復号誤りの少ない古典極符号に対して効率的な復号器であることを示す。
偏極重み法に基づく量子極符号の新しいバージョンにSCLデコードを適用する。
SCL-E と SCL-C は、コードサイズ N とリストサイズ L の SCL の複雑性 O(LN logN) を維持している。
論文 参考訳（メタデータ） (2023-04-10T17:56:10Z) - Neural Belief Propagation Decoding of Quantum LDPC Codes Using
Overcomplete Check Matrices [60.02503434201552]
元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。
このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
論文 参考訳（メタデータ） (2022-12-20T13:41:27Z) - A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。
EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。
EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
論文 参考訳（メタデータ） (2022-11-13T17:13:12Z) - Construction of Polar Codes with Reinforcement Learning [13.977646909897796]
本稿では,連続キャンセラリスト(SCL)デコーダの極符号構成問題を迷路トラバースゲームとして定式化する。
提案手法は、信頼性の高いビットチャネルのソートや選択に依存しない、ポーラコード構築のための新しい手法を提供する。
論文 参考訳（メタデータ） (2020-09-19T17:59:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。