論文の概要: MaskCode: Mask Transformer for Feedback-Assisted Coding With Linear Block Codes

• arxiv url: http://arxiv.org/abs/2609.00715v1
• Date: Tue, 01 Sep 2026 04:47:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.341217
• Title: MaskCode: Mask Transformer for Feedback-Assisted Coding With Linear Block Codes
• Title（参考訳）: MaskCode: リニアブロックコードによるフィードバック支援コーディングのためのMask Transformer
• Authors: Jonggyu Jang, Hongjae Nam, Vishrant Tripathi, David J. Love, Hyun Jong Yang,
• Abstract要約: MaskCodeは、ECCd符号化システムのトランスフォーマーベースの内部フィードバックコードである。 外部線形ブロック符号の構造知識をインナーフィードバックエンコーダ設計に明示的に組み込む。 常に全てのベースラインを上回り、1.5dBのSNRを達成している。
• 参考スコア（独自算出の注目度）: 27.89688326131855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feedback-based coding schemes have demonstrated substantial performance gains over today's open-loop coding schemes. Unfortunately, these gains are usually achieved in idealized settings with perfect feedback. Over the last few years, machine learning-based schemes have been shown to be promising solutions for implementing feedback-based codes, particularly when combined with short-block-length open-loop error correcting codes (ECCs) in a concatenated coding structure. However, existing ML-based feedback schemes remain agnostic to the outer code's structure, potentially misallocating feedback resources on error patterns already correctable by the outer ECC. To address this, we propose MaskCode, a Transformer-based inner feedback code for concatenated coding systems, which explicitly incorporates structural knowledge of the outer linear block code into the inner feedback encoder design via two synergistic mechanisms: 1) a soft syndrome-based input that informs the encoder about potential parity constraint violations, and 2) a code-aware attention mask derived from the Tanner graph. We further show that end-to-end training with a differentiable belief propagation (BP) decoder offers no additional gain, as MaskCode's structure-aware design already internalizes the structural knowledge of the outer code; in fact, backpropagation through the iterative BP decoder introduces gradient explosion, which degrades rather than improves performance. Extensive evaluations on BCH and LDPC outer codes demonstrate that MaskCode consistently outperforms all baselines, achieving up to 1.5 dB SNR gain.
• Abstract（参考訳）: フィードバックベースのコーディングスキームは、今日のオープンループコーディングスキームよりも大幅にパフォーマンスが向上している。 残念ながら、これらの利益は通常、完全なフィードバックで理想的な設定で達成されます。 ここ数年、機械学習ベースのスキームは、特に短ブロック長のオープンループ誤り訂正符号(ECC)を結合されたコード構造で組み合わせた場合、フィードバックベースのコードを実装するための有望なソリューションであることが示されている。 しかし、既存のMLベースのフィードバックスキームは外部コードの構造に従わないままであり、既に外部ECCで修正可能なエラーパターンにフィードバックリソースを誤配置する可能性がある。 そこで本研究では,2つの相乗的機構による内部フィードバックエンコーダ設計に外部線形ブロック符号の構造的知識を明示的に組み込んだ,変換器をベースとした符号化システムの内部フィードバックコードMaskCodeを提案する。 1) パーティ制約違反の可能性をエンコーダに通知するソフトシンドロームに基づく入力 2) タナーグラフから派生したコード認識注意マスク。 MaskCodeの構造認識設計は、すでに外部コードの構造的知識を内部化しており、実際、反復的なBPデコーダによるバックプロパゲーションは、性能向上よりも劣化する勾配爆発をもたらす。 BCHとLDPCの外部コードに対する広範囲な評価は、MaskCodeがすべてのベースラインを一貫して上回り、1.5dB SNRのゲインを達成していることを示している。

関連論文リスト

• Learning Binary Autoencoder-Based Codes with Progressive Training [1.8620637029128544]
  オートエンコーダ(AE)ベースのアプローチは、通信システムのエンドツーエンド設計に注目されている。 これらの結果から, コンパクトAEアーキテクチャは, 安定かつ素直な訓練により, 構造的, 代数的最適二項符号を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2025-11-12T11:32:03Z)
• Threshold Selection for Iterative Decoding of $(v,w)$-regular Binary Codes [84.0257274213152]
  繰り返しビットフリップデコーダは、sparse $(v,w)$-regular符号の効率的な選択である。 閉形式モデルに基づくしきい値決定のための具体的な基準を提案する。
  論文  参考訳（メタデータ） (2025-01-23T17:38:22Z)
• GNN-based Auto-Encoder for Short Linear Block Codes: A DRL Approach [43.17241175857862]
  深層強化学習(DRL)とグラフニューラルネットワーク(GNN)をコード設計に統合する。 エッジ重み付きGNN(EW-GNN)デコーダを提案する。 DRLベースのコードデザイナとEW-GNNデコーダの反復的な共同訓練を行い、エンドエンドエンコーディングとデコード処理を最適化する。
  論文  参考訳（メタデータ） (2024-12-03T00:25:14Z)
• 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)
• Component Training of Turbo Autoencoders [8.692972779213932]
  ターボオートコーダのコンポーネントオートエンコーダのガウス事前(TGP)による独立したトレーニングにより、より高速で一貫性のあるトレーニングが可能になる。 本稿では, 外部情報伝達 (EXIT) チャートを所望の振る舞いに適合させることにより, より大きなメッセージ長へのスケーリングを実現することを提案する。
  論文  参考訳（メタデータ） (2023-05-16T06:48:40Z)
• Robust Non-Linear Feedback Coding via Power-Constrained Deep Learning [7.941112438865385]
  我々は,チャネルノイズに対するロバスト性を大幅に向上させる非線形フィードバック符号の新たなファミリーを開発する。 我々のオートエンコーダベースのアーキテクチャは、連続するビットブロックに基づいてコードを学ぶように設計されている。 提案手法は, 現実的なフォワードやフィードバックノイズシステムよりも, 最先端のフィードバックコードよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-25T22:21:26Z)
• 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)
• 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)

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。