.png){kind=icon}
返回
Reliability-Aware Neural Decoding with Adaptive Multi-Source Information Fusion
.png){kind=icon}
PRE
AI
DOI：10.3390/e28030323.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代通信系统越来越多地利用多种信息流——包括信道观测、统计模型和上下文知识——来增强解码可靠性。然而，这些信息源的质量各不相同且往往不可预测，带来了关键挑战：当信息源可靠性波动时，固定的组合规则失效，而手动调优无法适应动态工作条件。本文提出了一种神经解码器架构，能够自动学习根据信息源的瞬时可靠性评估和融合异构信息。我们设计中的核心是可学习的门控模块，可动态加权信息流，表现出涌现的贝叶斯式行为——在高不确定性下增加对统计模型的依赖，随着信号置信度提高而过渡到以观测为主导的处理。为应对深度架构中辅助信息的渐进稀释问题，我们提出了一种连续注入策略，通过专用编码路径在每一处理层刷新辅助特征。底层消息传递网络采用异构二部图结构，并具有方向依赖的边参数化，尊重迭代解码算法中固有的不对称计算角色。全面实验验证表明，所提出的方法不仅能提高标称性能，而且关键在于当辅助信息质量下降或与实际条件不匹配时仍能保持鲁棒性。
Keyword:
neural decoding
multi-source information fusion
reliability-aware gating
heterogeneous message passing
adaptive weighting
deep feature injection
robustness to mismatch
