論文の概要: Decoding for Punctured Convolutional and Turbo Codes: A Deep Learning Solution for Protocols Compliance

• arxiv url: http://arxiv.org/abs/2502.15475v3
• Date: Thu, 30 Oct 2025 09:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.251222
• Title: Decoding for Punctured Convolutional and Turbo Codes: A Deep Learning Solution for Protocols Compliance
• Title（参考訳）: Punctured ConvolutionalとTurbo Codeのデコード:プロトコル準拠のためのディープラーニングソリューション
• Authors: Yongli Yan, Linglong Dai,
• Abstract要約: 本稿では,畳み込み畳み込み符号とターボ符号に対して,LSTMを用いたニューラルデコーダを提案する。 提案したLSTMベースのニューラルネットワークデコーダのキーコンポーネントは、句読取認識の埋め込みで、句読取パターンを直接ニューラルネットワークに組み込む。
• 参考スコア（独自算出の注目度）: 32.887114329215045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural network-based decoding methods show promise in enhancing error correction performance but face challenges with punctured codes. In particular, existing methods struggle to adapt to variable code rates or meet protocol compatibility requirements. This paper proposes a unified long short-term memory (LSTM)-based neural decoder for punctured convolutional and Turbo codes to address these challenges. The key component of the proposed LSTM-based neural decoder is puncturing-aware embedding, which integrates puncturing patterns directly into the neural network to enable seamless adaptation to different code rates. Moreover, a balanced bit error rate training strategy is designed to ensure the decoder's robustness across various code lengths, rates, and channels. In this way, the protocol compatibility requirement can be realized. Extensive simulations in both additive white Gaussian noise (AWGN) and Rayleigh fading channels demonstrate that the proposed neural decoder outperforms conventional decoding techniques, offering significant improvements in decoding accuracy and robustness.
• Abstract（参考訳）: ニューラルネットワークに基づく復号法は,誤り訂正性能の向上を約束するが,句読点符号による課題に直面している。 特に、既存のメソッドは、可変コード率に適応したり、プロトコルの互換性要件を満たすのに苦労しています。 本稿では,これらの課題に対処するため,畳み込み畳み込み符号とターボ符号に対して,LSTM(Long-term memory)に基づくニューラルデコーダを提案する。 提案されたLSTMベースのニューラルデコーダのキーコンポーネントは、句読取認識の埋め込みである。これは、句読取パターンを直接ニューラルネットワークに統合し、異なるコードレートへのシームレスな適応を可能にする。 さらに、様々なコード長、レート、チャンネルにわたるデコーダの堅牢性を確保するために、バランスの取れたビットエラー率のトレーニング戦略が設計されている。 このようにして、プロトコル互換性要件を実現することができる。 付加的な白色ガウスノイズ (AWGN) とレイリーフェディングチャネル (Rayleigh fading channel) の広範なシミュレーションにより、提案されたニューラルデコーダは従来の復号法よりも優れ、復号精度とロバスト性に大きな改善をもたらすことが示された。

関連論文リスト

• Fast correlated decoding of transversal logical algorithms [67.01652927671279]
  大規模計算には量子エラー補正(QEC)が必要であるが、かなりのリソースオーバーヘッドが発生する。 近年の進歩により、論理ゲートからなるアルゴリズムにおいて論理キュービットを共同で復号化することにより、症候群抽出ラウンドの数を削減できることが示されている。 ここでは、回路を介して伝播する関連する論理演算子製品を直接復号することで、回路の復号化の問題を修正する。
  論文  参考訳（メタデータ） (2025-05-19T18:00:00Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• Error Correction Code Transformer: From Non-Unified to Unified [20.902351179839282]
  従来のデコーダは、特定のデコードアルゴリズムに適した固定ハードウェア回路として設計されていた。 本稿では、複数の線形ブロックコードを扱うことができる、コードに依存しないトランスフォーマーベースのデコードアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-04T12:30:42Z)
• 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)
• Learning Linear Block Error Correction Codes [62.25533750469467]
  本稿では,バイナリ線形ブロック符号の統一エンコーダデコーダトレーニングを初めて提案する。 また,コード勾配の効率的なバックプロパゲーションのために,自己注意マスキングを行うトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-07T06:47:12Z)
• Friendly Attacks to Improve Channel Coding Reliability [0.33993877661368754]
  フレンドリーアタック」は、エラー訂正チャネルコードの性能を向上させることを目的としている。 敵攻撃の概念に触発された本手法は,ニューラルネットワーク入力にわずかな摂動を導入するという考え方を活用する。 提案手法は,異なるチャネル,変調,コード,デコーダ間の信頼性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-01-25T13:46:21Z)
• 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)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)
• Boost decoding performance of finite geometry LDPC codes with deep learning tactics [3.1519370595822274]
  有限幾何LDPC符号のクラスに対して,低複雑かつ高性能なデコーダを求める。 高品質なトレーニングデータを効果的に生成する方法について詳述する。
  論文  参考訳（メタデータ） (2022-05-01T14:41:16Z)
• Infomax Neural Joint Source-Channel Coding via Adversarial Bit Flip [41.28049430114734]
  本稿では、ニューラルジョイント・ソース・チャネル符号化方式の安定性と堅牢性を改善するために、Infomax Adversarial-Bit-Flip (IABF) と呼ばれる新しい正規化手法を提案する。 我々のIABFは、圧縮と誤り訂正のベンチマークの両方で最先端のパフォーマンスを達成でき、ベースラインをかなりの差で上回ることができる。
  論文  参考訳（メタデータ） (2020-04-03T10:00:02Z)

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。