读《Machine Learning for Future Fiber-Optic Communication systems 》有感

如今在整个系统设计上面，特别是在短距场景下，end-to-end learning 是时下的一个研究热门。因为这样能让机器学习的自主性最大化，无需人工干扰，且能达到和传统的信号相关的一下功能模块组合一样的效果。端到端的学习包括两个部分，编码和解码。这个网络结构的设计很大程度上会影响最后系统整体的性能，比如设计的编码器是否有记忆性，能否对光信号这种会由于光纤信号而导致展宽的特性有良好的恢复能力。其中时下最火的就是Boris提出的一种BRNN-双向循环神经网络。最后还要指出编码时，需要将所传递的信息转换成one-hot向量，最终输出的是一个概率向量。由此呢，就像多次统计取平均会减小误差一样，针对最后的解码过程，Boris教授使用了一种滑动窗口的办法，最后输出的概率向量中的每一维都是3次结果的平均值。

还有时下一些新鲜的机器学习方法或者模型，比如GAN、transformer等等。GAN呢，由于其能模拟任何输入的分布，并且能做到和原始输入一样的效果。因此在一些数据缺乏或者模型复杂的情况下有很大的作用，特别是光纤信道这种很难用物理建模去表达的。

基于机器学习的算法也不完全是一成不变的，或者完全不需要领域知识的。学界普遍认为将所谓 expert/domain knowledge和ML结合起来。

当然了，在光性能监测领域，通过引入一下比较先进的机器学习方法，比如数据增强、迁移学习、联合学习、特别是还有一个模型不确定度的估计。