arXiv cs.AI· Samira Malek·· 11 小时前AI 评分18
GBPNet：用广义置信传播网络学习线性码解码
Learning to Decode Linear Codes with Generalized Belief Propagation Network
AI 导读
研究者提出广义置信传播网络（GBPNet），在保留 Tanner 图结构与消息传递对称性的同时，通过级联变量节点更新和可学习的逐元素消息缩放增强解码器学习能力。该工作还引入渐进训练与高 SNR 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，GBPNet 的误码率低于传统置信传播及所评估的当前最优神经解码器。
正文 · AI 翻译
摘要：纠错码是通信系统的基本组成部分，能够在噪声信道上实现可靠的数据传输。近年来，神经解码器相较于经典迭代算法展现出显著的性能提升。本文提出了一种广义置信传播网络（GBPNet），在保持消息传递对称性的同时增强了解码器的学习能力。该架构采用级联的变量节点更新和学习到的逐元素消息缩放，同时保留 Tanner 图结构。我们还引入了两种训练策略——渐进式训练和高信噪比训练，以提高解码准确率。在多种线性码上的实验结果表明，GBPNet 的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。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.06874 [cs.AI] |
| （或 arXiv:2611.06874v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06874 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Samira Malek [查看邮箱]
[v1]
2026年11月4日星期三 18:29:31 UTC（1,036 KB）
来源：arXiv cs.AI · arxiv.org