用于纠错码变换器的基于光谱引导的掩码生成

《IEEE Transactions on Machine Learning in Communications and Networking》：Spectral-Guided Mask Generation for Error Correction Code Transformers

　　

摘要：

近期，神经解码器的纠错性能得到了显著提升，其中基于Transformer的架构在纠错码Transformer（ECCT）框架中取得了领先成果。然而，多掩码ECCT存在掩码选择不理想的问题，这影响了解码性能。在这项工作中，我们提出了基于谱理论的ECCT方法，利用拉普拉斯矩阵及其特征向量从变量-变量图中识别出连接较弱的节点簇，从而优化掩码生成。通过将谱属性融入解码过程，我们的方法构建了更有效的掩码，改善了变量节点和校验节点之间的信息传递。实验结果表明，与现有的基于ECCT的模型相比，该方法在解码准确性和可靠性方面都有显著提升，并显著提高了训练效率。这项工作展示了谱图理论在解决神经解码器结构问题方面的潜力，为未来的纠错设计提供了理论指导。