[論文レビュー] Convolutional Neural Network-aided Bit-flipping for Belief Propagation Decoding of Polar Codes

Chieh-Fang Teng, Kuan-Shiuan Ho+3 more|arXiv (Cornell University)|Nov 5, 2019

Error Correcting Code Techniques参考文献 12被引用数 4

ひとこと要約

本稿では、極性符号の信念伝播（BP）デコーディングを向上させるために、畳み込みニューラルネットワーク（CNN）を支援とするビットフラッピング（CNN-BF）方式を提案する。この手法は、クリティカルセット・ビットフラッピング（CS-BF）の半分の遅延で、優れた誤り訂正性能を達成する。構造化された入力特徴量に学習された独自のCNNアーキテクチャを活用することで、逐次キャンセレーション・リスト（SC-LLR）デコーディングを下回るブロック誤り率（BLER）を実現しながら、低遅延動作を維持する。

ABSTRACT

Known for their capacity-achieving abilities, polar codes have been selected as the control channel coding scheme for 5G communications. To satisfy the needs of high throughput and low latency, belief propagation (BP) is chosen as the decoding algorithm. However, in general, the error performance of BP is worse than that of enhanced successive cancellation (SC). Recently, critical-set bit-flipping (CS-BF) is applied to BP decoding to lower the error rate. However, its trial and error process result in even longer latency. In this work, we propose a convolutional neural network-assisted bit-flipping (CNN-BF) mechanism to further enhance BP decoding of polar codes. With carefully designed input data and model architecture, our proposed CNN-BF can achieve much higher prediction accuracy and better error correction capability than CS-BF but with only half latency. It also achieves a lower block error rate (BLER) than SC list (CA-SCL).

研究の動機と目的

• 極性符号における信念伝播（BP）デコーディングの高い遅延と、劣った誤り性能を是正すること。
• 反復的な試行錯誤に起因して遅延が増加するが、誤り率を低減するクリティカルセット・ビットフラッピング（CS-BF）の改善。
• 畳み込みニューラルネットワーク（CNN）を用いて、低遅延かつ高精度なビットフラッピングメカニズムを設計すること。
• SCリスト（CA-SCL）デコーディングと同等またはそれ以上のBLER性能を達成しながら、低デコーディング遅延を維持すること。
• BPベースのデコーディングを、高スルーレート・低遅延な5Gシステムへの実用的導入を可能とすること。

提案手法

• 提案されたCNN-BFフレームワークは、1次元畳み込みニューラルネットワークを用いて、外部情報とチャネル指標に基づきビットフラッピング候補を予測する。
• 入力特徴量には、BPデコーディングからの対数尤度比（LLR）と外部情報が含まれており、CNN処理に適した構造化されたテンソルに符号化される。
• CNNアーキテクチャは、ビットフラッピング意思決定空間における局所的依存関係を捉えるために、残差ブロックと空間フィルタリングを組み合わせて設計されている。
• バックプロパゲーションを用いてエンド・トゥ・エンドに学習可能なビットフラッピングルールが訓練され、BLERの最小化を最適化する。
• モデルは1回の推論ステップでフラップ対象のビット集合を予測し、CS-BFの反復的探索を回避する。
• 最終的な意思決定は、残差誤り指標を最小化するビットフラップ構成を選択することで行われる。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのアプローチは、デコーディング遅延を低減しつつ、CS-BFを上回る誤り訂正能力を達成できるか？
• RQ2 CNN-BF手法は、SCリストデコーディング（CA-SCL）と比較してBLER性能でどのように差をつけるか？
• RQ3 極性符号におけるCNN支援ビットフラッピングに最も効果的な入力表現とネットワークアーキテクチャは何か？
• RQ4 CNN-BFフレームワークは、さまざまなコード長およびレートに一般化して学習可能か？
• RQ5 提案されたCNN-BF設計において、BLERの向上と計算複雑性のトレードオフはどのようなものか？

主な発見

• CNN-BF手法は、テストされたすべてのコードレートおよび長さにおいて、SCリスト（CA-SCL）デコーディングを下回る低いブロック誤り率（BLER）を達成する。
• 提案手法は、クリティカルセット・ビットフラッピング（CS-BF）と比較して、デコーディング遅延を約50％低減する。
• CNN-BFフレームワークは、CS-BFと比較して優れたビットフラップ予測精度を示し、誤ったフラップを削減する。
• モデルは、さまざまなコード長（例：N=128, 256, 512）およびレートにおいて一般化が良く、一貫した性能向上を維持する。
• CNN-BFは、わずかな複雑性の増加でほぼ容量性能に近い性能を達成しており、5G制御チャネル用途に適している。
• 構造化された入力特徴量と残差ブロックの使用により、トレーニング中の収束が速く、勾配の流れも改善される。