第一篇：cGAN与无线通信

传统的无线通信系统中包括一些“块”，这些“块”需要分别设计优化，难以确保全局最优；且信道传播需要用一个数学模型假设，可能对实际场景来说不够精确。一些工作提出数据驱动的深度学习方法，用于MIMO检测、信道编码、信道估计等等，使得可以联合优化这些“块”，并用端到端损失优化。

但是这样的缺点是：1.如果信道转移函数不知道，那么梯度无法传播到transmitter DNN；2.如果传播的码块（code block）大小太长，那么可能的码字（codewords）大小会指数上涨，3.码块太长会有维度灾难。

因此，本文提出一个信道不可知的端到端通信系统，信道分布的输出通过一个cGAN(条件GAN)来学习，其中条件信息是来自transmitter的解码信号和用于估计信道的接收到的导频信息（pilot information）。此外，本文用CNN来克服维度灾难，扩展码块长度到许多位（代码里是十万位）。本文主要贡献是：1.用cGAN进行信道条件分布建模，可以学习信道影响；2.添加了导频信号作为条件信息的一部分，使得cGAN可以根据现有信道模型生成更多具体样本；3.端到端的系统，梯度可以传播；4.应用了CNN缓解维度灾难，带有卷积层的发射器DNN可以将信息位数编码到高维。