論文の概要: iVPF: Numerical Invertible Volume Preserving Flow for Efficient Lossless Compression

• arxiv url: http://arxiv.org/abs/2103.16211v1
• Date: Tue, 30 Mar 2021 09:50:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 22:16:39.833538
• Title: iVPF: Numerical Invertible Volume Preserving Flow for Efficient Lossless Compression
• Title（参考訳）: iVPF:効率的な損失圧縮のための数値的非可逆体積保存流
• Authors: Shifeng Zhang, Chen Zhang, Ning Kang and Li Zhenguo
• Abstract要約: 近年急速に成長しているビッグデータを保存することは、高性能な圧縮技術を必要とする。 本論文では,一般体積保存フローから導出した数値逆体積保存フロー(iVPF)計算を提案する。 様々なデータセットの実験により、iVPFに基づくアルゴリズムは、軽量圧縮アルゴリズムよりも最先端圧縮比を達成することが示された。
• 参考スコア（独自算出の注目度）: 21.983560104199622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is nontrivial to store rapidly growing big data nowadays, which demands high-performance lossless compression techniques. Likelihood-based generative models have witnessed their success on lossless compression, where flow based models are desirable in allowing exact data likelihood optimisation with bijective mappings. However, common continuous flows are in contradiction with the discreteness of coding schemes, which requires either 1) imposing strict constraints on flow models that degrades the performance or 2) coding numerous bijective mapping errors which reduces the efficiency. In this paper, we investigate volume preserving flows for lossless compression and show that a bijective mapping without error is possible. We propose Numerical Invertible Volume Preserving Flow (iVPF) which is derived from the general volume preserving flows. By introducing novel computation algorithms on flow models, an exact bijective mapping is achieved without any numerical error. We also propose a lossless compression algorithm based on iVPF. Experiments on various datasets show that the algorithm based on iVPF achieves state-of-the-art compression ratio over lightweight compression algorithms.
• Abstract（参考訳）: 近年急速に成長するビッグデータを格納するのは簡単ではなく、高性能なロスレス圧縮技術を必要とする。 確率に基づく生成モデルはロスレス圧縮での成功を目撃しており、フローベースのモデルは、単射写像による正確なデータ可能性最適化を可能にするのが望ましい。 しかし、一般的な連続フローは符号化スキームの離散性と矛盾しており、1)性能を低下させるフローモデルに厳密な制約を課すか、2)多数の単射写像誤差をコーディングし効率を低下させる。 本稿では,ロスレス圧縮のためのボリューム保存フローを調査し,誤差のない単射写像が可能であることを示す。 一般的な体積保存流から導かれる数値的非可逆体積保存流(iVPF)を提案する。 フローモデルに新しい計算アルゴリズムを導入することで、正確な単射写像は数値誤差なしに実現される。 また,iVPFに基づく無損失圧縮アルゴリズムを提案する。 様々なデータセットの実験により、iVPFに基づくアルゴリズムは、軽量圧縮アルゴリズムよりも最先端圧縮比を達成することが示された。

関連論文リスト

• Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
  勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。 浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2024-02-07T16:32:29Z)
• DiffRate : Differentiable Compression Rate for Efficient Vision Transformers [98.33906104846386]
  Token圧縮は、プルーニング(ドロップ)やトークンのマージによって、大規模な視覚変換器(ViTなど)を高速化することを目的としている。 DiffRate(ディフレート)は、先行技術にはないいくつかの魅力的な特性を持つ新しいトークン圧縮手法である。
  論文  参考訳（メタデータ） (2023-05-29T10:15:19Z)
• Fundamental Limits of Two-layer Autoencoders, and Achieving Them with Gradient Methods [91.54785981649228]
  本稿では,非線形二層型オートエンコーダについて述べる。 本結果は,人口リスクの最小化要因を特徴付け,その最小化要因が勾配法によって達成されることを示す。 符号アクティベーション関数の特別な場合において、この解析は、シャローオートエンコーダによるガウス音源の損失圧縮の基本的な限界を確立する。
  論文  参考訳（メタデータ） (2022-12-27T12:37:34Z)
• Unrolled Compressed Blind-Deconvolution [77.88847247301682]
  sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。 そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:16:58Z)
• Unified Multivariate Gaussian Mixture for Efficient Neural Image Compression [151.3826781154146]
  先行変数と超優先度を持つ潜伏変数は、変動画像圧縮において重要な問題である。 ベクトル化された視点で潜伏変数を観察する際、相関関係や相関関係は存在する。 当社のモデルでは、速度歪曲性能が向上し、圧縮速度が3.18倍に向上した。
  論文  参考訳（メタデータ） (2022-03-21T11:44:17Z)
• A Physics-Informed Vector Quantized Autoencoder for Data Compression of Turbulent Flow [28.992515947961593]
  本研究では,ベクトル量子化に基づく物理インフォームドディープラーニング手法を適用し,乱流から低次元のデータ表現を生成する。 モデルの精度は、統計的・比較的類似度と物理的類似度を用いて評価される。 我々のモデルは、平均二乗誤差(MSE)が$O(10-3)$のCR$=85$と、非常に小さなスケールを除いて流れの統計を忠実に再現する予測を提供する。
  論文  参考訳（メタデータ） (2022-01-10T19:55:50Z)
• Optimal Rate Adaption in Federated Learning with Compressed Communications [28.16239232265479]
  フェデレートラーニングは高い通信オーバーヘッドを引き起こし、モデル更新の圧縮によって大幅に軽減される。 ネットワーク環境における 圧縮とモデルの精度のトレードオフは 未だ不明です 各繰り返しの圧縮を戦略的に調整することで最終モデルの精度を最大化する枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-13T14:26:15Z)
• iFlow: Numerically Invertible Flows for Efficient Lossless Compression via a Uniform Coder [38.297114268193]
  iFlowは効率的なロスレス圧縮を実現するための新しい方法である。 iFlowは最先端の圧縮比を達成し、他の高性能スキームよりも5倍速くなる。
  論文  参考訳（メタデータ） (2021-11-01T14:15:58Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)
• IDF++: Analyzing and Improving Integer Discrete Flows for Lossless Compression [20.162897999101716]
  離散フローは整数値の確率変数に対する可逆変換を学習するモデルのクラスである。 我々は、異なるアーキテクチャ修正が、損失のない圧縮のために、このモデルクラスの性能をいかに改善するかを示す。
  論文  参考訳（メタデータ） (2020-06-22T17:41:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。