[论文解读] Probabilistic analysis of linear programming decoding

Constantinos Daskalakis, Alexandros G. Dimakis+2 more|arXiv (Cornell University)|Jan 7, 2007

Error Correcting Code Techniques参考文献 29被引用 8

一句话总结

本文对低密度奇偶校验（LDPC）码的线性规划（LP）译码进行了概率分析，证明了在随机LDPC码集合上，LP译码以高概率纠正恒定比例的错误。通过引入广义匹配框架并分析概率性比特翻转信道，作者实现的纠错阈值比以往非渐近结果高出十余倍，为有限长度LP译码性能建立了新基准。

ABSTRACT

We initiate the probabilistic analysis of linear programming (LP) decoding of low-density parity-check (LDPC) codes. Specifically, we show that for a random LDPC code ensemble, the linear programming decoder of Feld-man et al. succeeds in correcting a constant fraction of errors with high probability. The fraction of correctable errors guaranteed by our analysis surpasses all prior non-asymptotic results for LDPC codes, and in particular exceeds the best previous finite-length result on LP decoding by a factor greater than ten. This improvement stems in part from our analysis of probabilistic bit-flipping channels, as opposed to adversarial channels. At the core of our analysis is a novel combinatorial characterization of LP decoding success, based on the notion of a generalized matching. An interesting by-product of our analysis is to establish the existence of in random bipartite graphs, in which one requires only that almost every (as opposed to every) set of a certain size expands, with expansion coefficients much larger than the classical case.

研究动机与目标

• 分析在概率性比特翻转信道下，随机LDPC码的线性规划译码纠错性能。
• 为有限长度LDPC码的LP译码建立高于以往非渐近结果的可纠正错误比例。
• 基于二分图中的广义匹配，提出LP译码成功的新组合表征方法。
• 证明几乎对所有给定大小的集合，存在具有强扩展性质的稀疏二分图，其性能优于经典扩展阈值。

提出的方法

• 引入广义匹配框架，以表征LDPC码中LP译码成功条件。
• 在概率性比特翻转信道而非对抗性错误模型上分析LP译码性能，从而获得更强的概率保证。
• 使用随机二分图模型研究扩展性质，重点关注几乎所有特定大小的集合均具有大扩展性。
• 利用概率组合技术，对随机错误模式下LP译码的失败概率进行上界估计。
• 建立广义匹配存在性与LP译码成功可行性的关联。

实验结果

研究问题

• RQ1 在随机LDPC码集合上，LP译码以高概率能纠正多少比例的错误？
• RQ2 在概率性信道下，LP译码的性能与对抗性信道模型相比如何？
• RQ3 广义匹配框架能否比以往的组合模型更准确地表征LP译码的成功？
• RQ4 为确保LP译码以高概率成功，二分图需要具备何种扩展性质？

主要发现

• LP译码器在随机LDPC码集合上以高概率纠正恒定比例的错误，超越了所有以往的非渐近结果。
• 所实现的纠错阈值超过最佳先前有限长度结果的十余倍。
• 分析表明，随机二分图中几乎所有特定大小的集合，其扩展系数远大于经典阈值。
• 广义匹配框架比以往方法提供了更紧密、更准确的LP译码成功表征。