本文探讨了基于双分图的线性逻辑语法及其在计算语言学中的应用，介绍了语言矩阵理论和词嵌入向量的几何特性，研究了极化码的生成集性质，并提出了新的解决方法。

本文综述极化码构造与译码研究进展，包括基于遗传算法的构造框架（定制冻结比特适配译码算法，无需CRC辅助即可获1dB编码增益）、异构图神经网络、深度极化码、深度学习优化比特索引、课程式神经网络解码器CRISP，以及5G标准应用和信道逼近构造方法。

该文综述深度学习在信道编码中的应用，包括：利用正交最大化与对抗训练提升NECST编码鲁棒性；采用BP-CNN迭代解码去噪；将Transformer扩展至任意块长线性码软译码；通过循环网络绑定参数减少解码器参数量；利用机器学习定制校验矩阵、优化极化码索引、结合加权置信传播与主动学习改进BCH解码；并探讨无线通信抗攻击及神经网络解码的能力与局限。

通过数据驱动方法设计了一种针对具有和不具有记忆的信道的极化码方法。该方法利用神经网络替代原始译码器的核心元素，并在输入空间中嵌入信道输出的附加神经网络。该方法具备理论保证，计算复杂性不随信道记忆大小增长。在无记忆和具有记忆信道上展示了性能，并与最优极化译码器进行了比较。适用于SC和SCT译码器不适用的情况。