深度依赖的随机采样算法优化 lattice 解码性能

本文探讨了一种深度依赖的去随机化采样算法（Depth-Dependent Derandomized Sampling, DDDS），针对的是在格码解码中的性能优化问题。传统的格码解码方法，如基于格约简的解码，虽然能提升性能，但其与最大似然解码（Maximum Likelihood, ML）之间的性能差距会随着格子维度的增加而增大。因此，寻找更有效的亚最优解码算法，能够有效缩小这种差距，是当前研究的重要课题。 最近提出的一种名为去随机化采样（Derandomized Sampling, DS）的算法通过设定一个恒定的概率阈值来筛选候选解，展现出了接近最优的性能。然而，该算法并未充分利用解码过程中不同搜索层的信息。为了改进这一现状，作者们提出了深度依赖概率阈值（Depth-Dependent Probability Threshold）的策略，该策略考虑了搜索层数对解码过程的影响。 深度依赖去随机化采样（DDDS）解码算法正是基于这一新策略设计的。它在原有的DS算法基础上，通过动态调整每个搜索层的采样概率，使得算法在处理高维格子时更加高效。具体来说，DDDS算法可能会在搜索初期采用较高的采样概率以快速找到可能的解，然后随着搜索深度的增加逐渐降低概率，以减少不必要的计算量。 论文的主要贡献在于： 1. **理论框架**：提出了一种新的解码框架，即深度依赖概率阈值，它能根据解码过程中不同层次的复杂度动态调整采样策略。 2. **性能提升**：相比于传统的DS算法，DDDS在保持接近最优性能的同时，能够更好地适应高维格子解码的挑战，减小与ML解码的性能差距。 3. **算法效率**：通过利用搜索层数的信息，DDDS算法能够更有效地筛选出有价值的候选解，从而提高解码速度和整体效率。 这篇研究论文深入探讨了格码解码中的一个重要优化策略，并展示了深度依赖去随机化采样算法如何在保持高效性能的同时，针对格子维度增长带来的问题提供了创新的解决方案。这对于理解和优化高维格码通信系统具有重要的理论价值和实际应用意义。