MétaCan
Menu
Retour à la cohorte
Enregistrement W2333338207 · doi:10.1049/iet-com.2015.0881

Decoding schedule generating method for successive‐cancellation decoder of polar codes

2016· article· en· W2333338207 sur OpenAlexfundno aff
Dan Le, Xianyan Wu, Xiamu Niu

Notice bibliographique

RevueIET Communications · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueError Correcting Code Techniques
Établissements canadiensnon disponible
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesUniversity of TorontoHarbin Institute of TechnologyNational Natural Science Foundation of China
Mots-clésDecoding methodsComputer scienceSchedulePolarAlgorithmSequential decodingArithmeticMathematicsBlock code

Résumé

récupéré en direct d'OpenAlex

Successive cancellation (SC) is the first and widely known decoder of polar codes, which has received a lot of attentions. However, its decoding schedule generating methods are still primitive. Based on a newly found factor, this study proposes an online method to generate the decoding schedule of SC decoder by a non‐recursive way. The decoding schedule of SC decoder includes two parts. One is to determine which of likelihood ratios (LRs) can be shared and which of LRs need to be calculated. The other is to select a calculation formula for a LR to be computed. As shown by the comparisons among the proposed method and existing methods, the proposed method solves the first part of the decoding schedule with constant critical path delay and lower space complexity, and solves the second part of the decoding schedule with less calculations. Besides, experimental results show that the proposed method does not affect the error performance of polar codes.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,719
Score d'incertitude au seuil0,364

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,055
Tête enseignante GPT0,377
Écart entre enseignants0,322 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIET CommunicationsMême sujetError Correcting Code TechniquesTravaux en français237 207