Complexity evaluation of sova based algorithms for decoding of block codes on a sectionalized trellis
Notice bibliographique
Résumé
Turbo decoders are composed of two or more soft-input soft-output (SISO) decoders that exchange reliability information. A classical way of implementing a SISO decoder for a linear block code is to use a trellis-based decoding algorithm, such as MAP, Max-Log-MAP or SOVA [1]. Recently, the idea of sectionalizing the trellis diagram representing a code has been proposed as a means to decrease the decoding complexity associated with the SISO decoders [2-3]. In this paper, we investigate the application of a nonbinary SOVA decoding algorithm to the sectionalized trellis of a binary linear block code. Considering an (n, k) block code C, a minimal bit-level trellis has n sections. A ν-section sectionalized trellis with section boundaries U = {0, h 1 ,…, h v = n} is obtained from the bit-level trellis by removing any stage at a location not in U, and connecting the remaining states by branches whose labels are the labels of the paths originally connecting the nodes in the bit-level trellis (Our notations borrow from [1], so the reader is referred to this book for further details). Optimal sectionalization boundaries can be chosen in order to minimize the complexity in terms of operations and/or memory of a given algorithm for a particular code (such optimal sectionalizations have been derived for MAP [3], Max-Log-MAP [3] and Viterbi [2] decoding).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».