Neural Network Aided SC Decoder for Polar Codes（论文笔记）

本文探讨了利用神经网络(NN)辅助的连续相消(SC)译码器(NNSC)以提高极化码的解码效率。针对长码的训练复杂性问题，提出将长码SC译码器划分为短码NN解码器，形成NNSC解码器。研究证明，通过NN通用集合，可以构建任意长度极化码的NNSC解码器，降低训练复杂性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Neural Network Aided SC Decoder for Polar Codes阅读笔记

研究背景：
从理论上讲，只要有足够的规模和足够的训练，就可以完全用神经网络(NN)来代替传统的极性码译码器，称为神经网络译码器。
碰到的问题：
但是，随着信息长度的增加，指数级增长的训练复杂度变得不可接受，这意味着实际上只能训练短码译码器。
解决办法：
然而，长极性码的连续抵消(SC)译码器可以被分成若干个短码的SC译码器，它们可以被若干个短码NN译码器取代，然后整个译码器就成为我们的NN辅助SC(NNSC)译码器。此外，我们还定义了神经网络的泛集，它可以组合成任意长极性码的NNSC译码器。
研究目的
本文构造NNSC译码器的主要目的是利用神经网络的优势来提高极性码的译码效率，同时保证与传统译码算法相比具有可接受的译码性能。

Introduction

相继相消(SC)译码算法是与极性码一起提出的一种基本而重要的极性码译码算法。

目前流行的极性码译码算法，如连续抵消列表(SCL)译码算法[2]、连续抵消堆栈(SCS)译码算法、连续抵消混合(SCH)译码算法都是基于SC译码算法的。
但这些算法都有一个共同的缺点，就是后面的比特译码依赖于前比特的译码结果。

因此，迭代译码计算必须按一定的顺序进行，这与前馈神经网络(NN)的逐层计算不同。这意味着算法的并行度相对较低，译码效率较低。然而，无论具体的计算顺序是什么，无论后一位的解码如何依赖于前一位的解码，要预测的每一位毕竟都是解码器输入值的函数。文献[3]和[4]证明了一个多层有限神经元的前馈神经网络可以逼近任意连续函数，这就是通用逼近定理，这使得用神经网络代替传统的极码译码器是可行的

文献[5