LIGHTCODE: Light Analytical and Neural Codes for Channels with Feedback

在通信理论中，为具有反馈的信道设计可靠高效的编码方案一直是一个长期的挑战。虽然通过利用深度学习技术取得了显著进展，但神经编码往往存在高计算成本、缺乏可解释性以及在资源受限环境下的实用性有限等问题。我们专注于设计低复杂度的编码方案，这些方案具有可解释性，更适合于通信系统。我们提出了分析编码和神经编码两种方案。首先，我们证明了POWERBLAST，一种受Schalkwijk-Kailath（SK）和Gallager-Nakiboglu（GN）方案启发的分析编码方案，在高信噪比（SNR）区域优于SK和GN方案，可实现显著的可靠性改进，胜过神经编码。接下来，为了增强低SNR区域的可靠性，我们提出了LIGHTCODE，一种轻量级神经编码方案，使用的存储和计算资源仅为现有深度学习编码方案的一小部分，而实现了最先进的可靠性。最后，我们系统地分析了所学习的编码方案，建立了LIGHTCODE和POWERBLAST之间的联系，确定了对性能至关重要的组件，并通过线性回归分析提供了解释。

论文旨在设计低复杂度、可解释性更强的编码方案，以解决通信领域中编码方案计算成本高、可解释性差、不适用于资源受限场景等问题。

论文提出了POWERBLAST和LIGHTCODE两种编码方案。POWERBLAST是一种基于Schalkwijk-Kailath (SK)和Gallager-Nakiboglu (GN)方案的分析编码方案，相比SK和GN方案，在高信噪比（SNR）区间内实现了显著的可靠性改进，超越了神经编码。LIGHTCODE是一种轻量级的神经编码方案，可在使用少量内存和计算资源的情况下实现最先进的可靠性。

论文通过实验验证了POWERBLAST和LIGHTCODE的可行性和有效性，提供了对这两种编码方案的解释和分析，并提出了进一步研究的方向。实验中使用的数据集是否开源并未提及。

与该论文相关的研究包括使用深度学习技术的编码方案研究，以及其他低复杂度、可解释性更强的编码方案研究。