Tail-Calibrated Soft-Output GRAND for Finite-Memory Noise-Effect Posteriors

技术摘要：面向有限记忆噪声效应后验的尾部校准软输出 GRAND

问题陈述
猜测随机加性噪声解码（GRAND）将最大似然（ML）解码重新表述为对候选噪声效应而非码字的搜索。虽然标准的 GRAND 及其软输出变体（SOGRAND）在无记忆信道上表现良好，但在有效噪声呈现时间相关性（记忆性）时，它们面临挑战。现有的感知相关性的 GRAND 方法（如 ORBGRAND-AI）通过将局部依赖性纳入噪声效应排序中，但依赖于交织或近似独立模型。至关重要的是，这些方法缺乏计算有限记忆后验尾部质量和位级尾部边缘分布的严谨框架，而这对于在相关噪声环境下进行准确的软输出可靠性估计（APP 和 LLR）至关重要。此外，标准的软输出规则并非基于有限记忆后验尾部导出，导致在估计传输码字缺失于当前查询列表的概率（“缺失列表”概率）方面存在差距。

方法论
本文引入了尾部校准 SOGRAND，这是一种针对二进制加性信道的解码器，其中环境硬判决噪声效应后验（以接收到的软信息为条件）由有限记忆能量建模。

1. 有限记忆后验建模：
   解码器假设环境全空间后验权重 $\pi_{r^n}(z^n)$ 由有限范围的能量函数 $E_{r^n}(z^n)$ 定义。这包括无记忆模型、一阶马尔可夫模型和有限状态突发模型。分配函数 $Z(r^n)$ 和后验权重通过有限状态前向递归高效计算，避免了对整个 $2^n$ 空间的显式求和。

2. 尾部校准停止与缺失列表估计：
   不同于使用固定查询阈值的 GRANDAB，尾部校准 SOGRAND 根据插件估计的缺失列表概率进行停止。

   • 解码器按非递减后验能量枚举噪声效应。
   • 它维护累积的已查询前缀的环境后验质量 ($S_q$) 和剩余的环境尾部质量 ($T_q$)。
   • 在固定规模的随机码本系综下，未查询的码本受限分母贡献 ($U_q$) 被估计为 $\hat{U}_q = p_q T_q$，其中 $p_q = (M - |L_q|) / (2^n - q)$ 是剩余占用概率。
   • 当估计的缺失列表概率 $\hat{P}_{miss}(q) = \hat{U}_q / (S_q + \hat{U}_q)$ 低于容差 $\eta$ 时，停止规则触发停止。

3. 软输出生成：
   相同的后验尾部分解产生了块级和位级 APP 估计。位级 APP 对数似然比（LLR）通过将未查询的尾部质量按位值（0 或 1）进行分解，并将其与已列出的码字贡献相结合来导出。

4. 枚举：
   对于一阶能量，通过将噪声模式分解为最大连续的“1”运行（突发原子/burst atoms）并将这些原子按超额能量排序来进行枚举。这允许进行精确的能量排序枚举，而无需交织。

核心贡献

1. 公式化： 本文为具有有限记忆噪声效应后验的二进制加性信道制定了尾部校准 SOGRAND 的形式化定义，明确分离了环境后验律与码本受限的 APP 分母。
2. 理论推导： 在固定规模的随机码本系综下，推导出了一个尾部校准的软输出规则，证明了未查询的分母条件均值为 $p_q T_q$。
3. 有限块保证：
   • ML 性质： 在具有精确能量排序且无放弃机制的情况下，第一个列出的码字保证在定义的似然模型下是 ML 的。
   • 放弃界限： 证明了一个环境尾部放弃界限，表明放弃解码器的错误概率受限于被放弃的环境后验尾部质量。
   • 估计器界限： 推导了随机码本缺失列表估计器的条件无偏性、方差和集中度界限。
4. 软输出分解： 该方法提供了一套统一的过程，用于计算相关噪声效应下的块级 APP、缺失列表概率以及位级 APP LLR。
5. 实证评估： 在高斯-马尔可夫和硬判决相关噪声模型下，对随机线性码对解码器进行了评估。

结果
数值评估将尾部校准 SOGRAND（特别是“精确-马尔可夫”变体）与随机交织的 ORBGRAND、ORBGRAND-AI（带有局部块排序）以及 ExactBlockProduct 消融实验进行了比较。

• 性能： 在高斯-马尔可夫信道 ($\rho=0.5$) 中，精确-马尔可夫解码器与无记忆、秩加权近似独立以及块乘积近似独立排序相比，实现了更低的误块率（BLER）点估计和更小的平均成员查询计数。
• 相关性敏感度： 随着相关系数 $\rho$ 的增加，相关感知精确-马尔可夫解码器与无记忆基准之间的性能差距显著扩大。
• 模型失配： 解码器对模型失配非常敏感；在相关信道 ($\rho=0.5$) 上使用无记忆模型 ($\rho_{model}=0$) 会导致 BLER 较匹配模型显著退化。
• 校准： 可靠性图表表明，插件缺失列表估计是经过校准的，在已填充的概率范围内具有较小的期望校准误差（ECE）。
• 复杂度权衡： 虽然精确-马尔可夫解码器最小化了代码本成员查询次数（主要的 GRAND 指标），但其“软件工作代理”（计算度量评估和优先队列操作的计数）在低 SNR 下比近似方法更高，反映了精确有限记忆枚举的成本。

意义
本文声称解决了 GRAND 基于解码的一个关键空白：缺乏针对相关噪声的有限块后验尾部计算。通过推导精确的有限记忆后验权重、尾部质量和位级边缘分布，这项工作使得 GRAND 能够在不依赖交织的情况下，作为迭代方案（如积码和 GLDPC 码）中的软输出组件解码器发挥作用。所提出的方法为具有记忆信道的停止准则和可靠性估计提供了严谨的理论基础，在保持较低查询效率的同时，提供了优于现有相关感知近似方法的错误率。作者将此定位为将 GRAND 集成到具有记忆信道的完整迭代解码系统中的一步。