GBPNet
一种用于线性码解码的神经解码器架构，在保留Tanner图消息传递对称性的基础上引入可学习组件（如逐元素消息缩放和级联变量节点更新），以提升解码精度。
时间轴 (近 90 天)
GBPNet（广义置信传播网络）是一种在保留消息传递对称性的同时提升解码器学习能力的神经解码器架构。
GBPNet采用级联的变量节点更新方式，使每个变量节点在单次迭代中接收并整合更多信息，而非严格按层交替。
GBPNet引入可学习的逐元素消息缩放（element-wise message scaling），对传递的消息幅度进行自适应调整。
GBPNet将消息缩放推广为逐元素、可学习的缩放向量，使每个消息维度都能获得独立的修正幅度，且不改变消息传递的拓扑结构。
论文提出了渐进训练和高SNR训练两种训练策略，它们不改变网络结构，只调整训练流程。
在多个线性码上的实验表明，GBPNet的误码率（BER）低于传统置信传播以及所评估的当前最优神经解码器。
论文的评估范围限于所选的线性码和实验条件，GBPNet是否完全规避神经解码器普遍面临的计算开销和泛化性问题仍有待更多验证。
全部知识事实 (7)
GBPNet（广义置信传播网络）是一种在保留消息传递对称性的同时提升解码器学习能力的神经解码器架构。
50%待验证GBPNet采用级联的变量节点更新方式，使每个变量节点在单次迭代中接收并整合更多信息，而非严格按层交替。
50%待验证GBPNet引入可学习的逐元素消息缩放（element-wise message scaling），对传递的消息幅度进行自适应调整。
50%待验证GBPNet将消息缩放推广为逐元素、可学习的缩放向量，使每个消息维度都能获得独立的修正幅度，且不改变消息传递的拓扑结构。
50%待验证论文提出了渐进训练和高SNR训练两种训练策略，它们不改变网络结构，只调整训练流程。
50%待验证在多个线性码上的实验表明，GBPNet的误码率（BER）低于传统置信传播以及所评估的当前最优神经解码器。
50%待验证论文的评估范围限于所选的线性码和实验条件，GBPNet是否完全规避神经解码器普遍面临的计算开销和泛化性问题仍有待更多验证。
50%