論文の概要: Neural Distributed Source Coding
- arxiv url: http://arxiv.org/abs/2106.02797v1
- Date: Sat, 5 Jun 2021 04:50:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:25:35.145765
- Title: Neural Distributed Source Coding
- Title(参考訳): ニューラル分散ソース符号化
- Authors: Jay Whang, Anish Acharya, Hyeji Kim, Alexandros G. Dimakis
- Abstract要約: 分散ソース符号化(Distributed Source coding)は、デコーダにのみ利用可能な相関した側情報がない場合に入力を符号化するタスクである。
相関構造に依存せず,高次元に拡張可能な分散ソースコード符号化のための汎用フレームワークを提案する。
- 参考スコア(独自算出の注目度): 90.54314702283168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distributed source coding is the task of encoding an input in the absence of
correlated side information that is only available to the decoder. Remarkably,
Slepian and Wolf showed in 1973 that an encoder that has no access to the
correlated side information can asymptotically achieve the same compression
rate as when the side information is available at both the encoder and the
decoder. While there is significant prior work on this topic in information
theory, practical distributed source coding has been limited to synthetic
datasets and specific correlation structures. Here we present a general
framework for lossy distributed source coding that is agnostic to the
correlation structure and can scale to high dimensions. Rather than relying on
hand-crafted source-modeling, our method utilizes a powerful conditional deep
generative model to learn the distributed encoder and decoder. We evaluate our
method on realistic high-dimensional datasets and show substantial improvements
in distributed compression performance.
- Abstract(参考訳): 分散ソース符号化(Distributed Source coding)は、デコーダにのみ利用可能な相関側情報がない場合に入力を符号化するタスクである。
注目すべきことに、1973年にSlepianとWolfは、相関した側情報にアクセスできないエンコーダは、エンコーダとデコーダの両方でサイド情報が利用可能であるのと同じ圧縮率を漸近的に達成できることを示した。
情報理論において、この話題には重要な先行研究があるが、実用的な分散ソースコーディングは、合成データセットや特定の相関構造に限られている。
本稿では,相関構造に依存せず,高次元にスケール可能な分散音源符号化のための汎用フレームワークを提案する。
本手法は,手作りのソース・モデリングに頼るのではなく,分散エンコーダとデコーダの学習に強力な条件付き深層生成モデルを用いる。
本手法を実次元高次元データセット上で評価し,分散圧縮性能の大幅な向上を示す。
関連論文リスト
- Symmetric Equilibrium Learning of VAEs [56.56929742714685]
可変オートエンコーダ(VAE)をデコーダ-エンコーダペアとみなし,データ空間内の分布を潜在空間内の分布にマッピングする。
本研究では,エンコーダとデコーダに対して対称なナッシュ均衡学習手法を提案し,データと潜伏分布の両方がサンプリングによってのみアクセス可能な状況下でのVAEの学習を可能にする。
論文 参考訳(メタデータ) (2023-07-19T10:27:34Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳(メタデータ) (2023-05-28T06:30:29Z) - Dataset Condensation with Latent Space Knowledge Factorization and
Sharing [73.31614936678571]
与えられたデータセットの規則性を利用してデータセットの凝縮問題を解決する新しい手法を提案する。
データセットを元の入力空間に直接凝縮するのではなく、学習可能な一連のコードでデータセットの生成プロセスを仮定する。
提案手法は,様々なベンチマークデータセットに対して,有意なマージンで新しい最先端記録を達成できることを実験的に示す。
論文 参考訳(メタデータ) (2022-08-21T18:14:08Z) - Probabilistic Autoencoder using Fisher Information [0.0]
この作業では、Autoencoderアーキテクチャの拡張であるFisherNetが導入されている。
このアーキテクチャでは、潜時空間の不確実性はエンコーダの付加情報チャネルを使用して生成されるのではなく、フィッシャー情報計量を用いてデコーダから導出される。
FisherNetは、同等のVAEよりも正確なデータ再構成を実現しており、学習性能も、潜在空間次元の数に比例して向上していることが実験的に証明できる。
論文 参考訳(メタデータ) (2021-10-28T08:33:24Z) - Atrous Residual Interconnected Encoder to Attention Decoder Framework
for Vertebrae Segmentation via 3D Volumetric CT Images [1.8146155083014204]
本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。
提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。
実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
論文 参考訳(メタデータ) (2021-04-08T12:09:16Z) - Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。
自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文 参考訳(メタデータ) (2020-12-07T14:16:14Z) - Learning Disentangled Latent Factors from Paired Data in Cross-Modal
Retrieval: An Implicit Identifiable VAE Approach [33.61751393224223]
両モーダルデータ間で相互に共有される不整合潜在因子を相互に検索する際の問題に対処する。
本稿では,潜在変数モデルから周辺データデコードモジュールを完全に除去する暗黙デコーダの新たなアイデアを提案する。
本モデルでは,従来のエンコーダ・デコーダの潜在変数モデルよりも精度が高く,精度も優れていた。
論文 参考訳(メタデータ) (2020-12-01T17:47:50Z) - Modeling Lost Information in Lossy Image Compression [72.69327382643549]
ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。
Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-22T04:04:56Z) - Infomax Neural Joint Source-Channel Coding via Adversarial Bit Flip [41.28049430114734]
本稿では、ニューラルジョイント・ソース・チャネル符号化方式の安定性と堅牢性を改善するために、Infomax Adversarial-Bit-Flip (IABF) と呼ばれる新しい正規化手法を提案する。
我々のIABFは、圧縮と誤り訂正のベンチマークの両方で最先端のパフォーマンスを達成でき、ベースラインをかなりの差で上回ることができる。
論文 参考訳(メタデータ) (2020-04-03T10:00:02Z)
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。