基于GNN的短线性分组码自动编码器：一种深度强化学习方法

《IEEE Transactions on Communications》：GNN-Based Auto-Encoder for Short Linear Block Codes: A DRL Approach

该研究提出一种基于自编码器的端到端信道编码与解码框架，融合深度强化学习（DRL）和图神经网络（GNN）。通过将校验矩阵生成建模为马尔可夫决策过程（MDP），动态优化误码率等关键性能指标。创新性地设计带权重的迭代信息传递GNN解码器，支持跨不同码长和码率的线性块码通用解码。采用编码器-解码器联合训练机制，仿真验证表明在短码长场景下，该方法较传统LDPC（BP/MLD解码）及BCH（BP解码）方案在纠错能力上提升显著，同时保持低解码复杂度。

　　

摘要：

本文提出了一种基于自编码器的端到端信道编码和解码方法。该方法将深度强化学习（DRL）和图神经网络（GNN）结合到编码设计中，通过将码 parity-check 矩阵的生成过程建模为马尔可夫决策过程（MDP），从而优化关键编码性能指标，如误码率和码的代数特性。本文提出了一种基于边权重的 GNN（EW-GNN）解码器，该解码器采用迭代消息传递结构在 Tanner 图上进行处理。一旦在某个线性分组码上完成训练，EW-GNN 解码器即可直接用于解码其他不同码长和码率的线性分组码。通过对基于 DRL 的编码器与 EW-GNN 解码器进行联合迭代训练，可以优化整个端到端的编码和解码过程。仿真结果表明，所提出的自编码器在短码长情况下显著优于多种传统编码方案，包括采用信念传播（BP）解码和最大似然解码（MLD）的低密度 parity-check（LDPC）码，以及采用 BP 解码的 BCH 码，在保持低解码复杂度的同时提供了更强的纠错能力。

1. 引言

在下一代通信网络中，对超可靠低延迟通信（URLLC）的需求日益增长，这要求物理层设计具有较低的延迟特性——尤其是信道编码方案。具有强大纠错能力的短码对于满足 5G 及未来 6G 网络中对延迟和可靠性的严格要求至关重要 [1]、[2]。为了满足这些要求，信道编码系统必须具备优异的误码率性能和低解码复杂度。这需要发射端设计出性能良好的短码，以及接收端配备高效的解码器。