論文の概要: Leveraging Code Automorphisms for Improved Syndrome-Based Neural Decoding
- arxiv url: http://arxiv.org/abs/2605.03620v1
- Date: Tue, 05 May 2026 10:48:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.901492
- Title: Leveraging Code Automorphisms for Improved Syndrome-Based Neural Decoding
- Title（参考訳）: 改良型シンドロームに基づくニューラルデコードのためのコードオートモーフィズムの活用
- Authors: Raphaël Le Bidan, Ahmad Ismail, Elsa Dupraz, Charbel Abdel Nour,
- Abstract要約: シンドロームベースのニューラルデコーディング (SBND) はソフトデシジョンデコーディングのための有望な深層学習手法として登場した。
本稿では,既存のSBNDモデルの学習・一般化能力を高めるために,コード自己同型を利用する方法を示す。
- 参考スコア（独自算出の注目度）: 2.6529017582299965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Syndrome-based neural decoding (SBND) has emerged as a promising deep learning approach for soft-decision decoding of high-rate, short-length codes. However, this approach still has substantial room for improvement. In this paper, we show how to leverage code automorphisms to enhance the ability of existing SBND models to learn and generalize through data augmentation during training and inference. As a result, for the short high-rate codes considered, we obtain models that closely approach MLD performance using small datasets and proper training. Our findings also suggest that many prior results for SBND models in the literature underestimate their true correction capability due to undertraining. Code to reproduce all results is available at: https://github.com/lebidan/sbnd.
- Abstract（参考訳）: シンドロームベースのニューラルデコーディング(SBND)は、高速短長符号のソフト決定復号化のための有望な深層学習手法として登場した。
しかし、このアプローチには改善の余地がまだあります。
本稿では,既存のSBNDモデルの学習・一般化能力を高めるために,トレーニングおよび推論中にデータ拡張を通じてコード自己同型を利用する方法を示す。
その結果、短時間の高速度符号を考えると、小さなデータセットと適切なトレーニングを用いてMDD性能に近づいたモデルが得られる。
また,本論文におけるSBNDモデルに対する多くの先行結果が,下肢トレーニングによる真の補正能力を過小評価していることが示唆された。
すべての結果を再現するコードは、https://github.com/lebidan/sbnd.comで入手できる。
関連論文リスト
- DiffuCoder: Understanding and Improving Masked Diffusion Models for Code Generation [68.19756761027351]
拡散大言語モデル(dLLM)は自己回帰(AR)モデルの魅力的な代替品である。
本研究は,それらの認知過程と強化学習手法について考察する。
我々の研究は、dLLM生成のメカニズムについて深い洞察を与え、効果的な拡散ネイティブなRLトレーニングフレームワークを提供します。
論文 参考訳（メタデータ） (2025-06-25T17:35:47Z) - LightCode: Light Analytical and Neural Codes for Channels with Feedback [10.619569069690185]
我々は,通信システムに適した低複雑さの符号化方式を設計することに注力する。
まず、Schalkwijk-Kailath (SK) と Gallager-Nakibouglu (GN) にインスパイアされた解析的符号化スキームであるPowerBlast が、SK と GN のスキームに対して顕著な信頼性向上を実現していることを示す。
次に、低SNR領域の信頼性を高めるために、既存のディープラーニングベースのコードと比較して、わずかなメモリと計算を使いながら、最先端の信頼性を実現する軽量ニューラルネットワークであるLightCodeを提案する。
論文 参考訳（メタデータ） (2024-03-16T01:04:34Z) - Learning on JPEG-LDPC Compressed Images: Classifying with Syndromes [3.2657732635702375]
ゴール指向通信では、受信機の目的は、元のデータを再構成するのではなく、ディープラーニングモデルを適用することである。
本稿では,低密度パリティチェック(LDPC)符号を用いてエントロピー符号化を実現する方法を提案する。
論文 参考訳（メタデータ） (2024-03-15T11:07:38Z) - Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。
LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Variational Sparse Coding with Learned Thresholding [6.737133300781134]
サンプルをしきい値にすることでスパース分布を学習できる変分スパース符号化の新しい手法を提案する。
まず,線形発生器を訓練し,その性能,統計的効率,勾配推定に優れることを示す。
論文 参考訳（メタデータ） (2022-05-07T14:49:50Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z)
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。