前言
一、
基于数据驱动的深度学习代码设计，包括针对现有代码的低复杂度神经解码器，或端到端可训练的自动编码器，已经显示出令人印象深刻的结果，尤其是在我们没有高性能结构化代码设计的场景中。 然而，绝大多数现有的数据驱动的信道编码解决方案都集中在点对点的场景中。 在这项工作中，我们考虑了一个带反馈的多址信道(MAC)，并试图理解基于深度学习的设计是否能够实现编码器之间的协调和合作，以及允许纠错。 仿真结果表明，所提出的多址块注意反馈码提高了有限块长度下无反馈多址块注意反馈码的可达速率上限。
二、
基于深度学习(DL)的无线通信解决方案的设计已经成为一个快速发展的研究领域。 研究表明，数据驱动的解决方案要么能够优于手工制作的解决方案，要么以较低的计算复杂度表现出类似的性能。 在纠错编码的背景下，最近的各种研究[1]-[7]表明，作为众所周知的结构化编码的一种替代方法，DL辅助设计可以被训练并用于实现可靠的通信。 根据数据驱动设计所包含的阶段/阶段，这些设计可以分为两个主要类别。 第一类包括使用深度神经网络(DNN)体系结构（例如神经信念传播[4]、[8]、[9]来完成传统码（例如LDPC码和极性码）的解码的解决方案。 另一方面，第二类的工作通过引入完全可学习的自动编码器(AE)体系结构，在编码和解码端都采用了基于DNN的模块[1]、[5]、[10]、[11]。 上述工作的实验结果表明，基于DNN的译码器/AE模型在有限块长的情况下可以达到目前最先进的误块率(BLER)性能，或者以较低的复杂度达到与传统编/解码方案相似的BLER性能。
尽管基于DNN的解决方案的优点已经在有/无反馈场景的点对点系统中得到了展示，但我们对它们在多用户场景中的作用了解有限。 广播信道场景最近在[11]中进行了分析。 本文以带反馈的多址信道(MAC)为研究对象，分析了基于DNN的解决方案的适用性。 已知信道反馈的存在扩大了MAC的容量区域； 然而，实用规范的设计，特别是对于短块长度的情况，仍然是一个开放的问题。 据我们所知，这是第一个研究Mac的可完全学习的框架和反馈场景的工作。 我们指出，在经典MAC中，由于发射机不能合作，它们产生独立的信道码字，而在存在反馈的情况下，发射机可以通过反馈信道进行合作。 事实上，信息论随机编码方案通过允许每个发射机（部分地）解码彼此的消息并协作传输，实现了经典MAC容量范围之外的速率，从而实现了合作。 我们相信我们的结果将开辟新的研究方向，因为我们的发现表明，完全可学习框架不仅能够形成[3]、[12]、[14]-[16]中所述的纠错机制，而且能够形成发射机之间的合作策略。