論文の概要: Efficient Data Compression for 3D Sparse TPC via Bicephalous Convolutional Autoencoder

• arxiv url: http://arxiv.org/abs/2111.05423v1
• Date: Tue, 9 Nov 2021 21:26:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 01:19:52.308580
• Title: Efficient Data Compression for 3D Sparse TPC via Bicephalous Convolutional Autoencoder
• Title（参考訳）: bicephalous convolutional autoencoderによる3次元スパースtpcの効率的なデータ圧縮
• Authors: Yi Huang, Yihui Ren, Shinjae Yoo, Jin Huang
• Abstract要約: この研究は、textitBicephalous Convolutional AutoEncoder (BCAE)と呼ばれる、空間と回帰を同時に解決するデュアルヘッドオートエンコーダを導入している。 これはMGARD、SZ、ZFPといった従来のデータ圧縮手法と比較して圧縮忠実度と比の両方の利点を示している。
• 参考スコア（独自算出の注目度）: 8.759778406741276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time data collection and analysis in large experimental facilities present a great challenge across multiple domains, including high energy physics, nuclear physics, and cosmology. To address this, machine learning (ML)-based methods for real-time data compression have drawn significant attention. However, unlike natural image data, such as CIFAR and ImageNet that are relatively small-sized and continuous, scientific data often come in as three-dimensional data volumes at high rates with high sparsity (many zeros) and non-Gaussian value distribution. This makes direct application of popular ML compression methods, as well as conventional data compression methods, suboptimal. To address these obstacles, this work introduces a dual-head autoencoder to resolve sparsity and regression simultaneously, called \textit{Bicephalous Convolutional AutoEncoder} (BCAE). This method shows advantages both in compression fidelity and ratio compared to traditional data compression methods, such as MGARD, SZ, and ZFP. To achieve similar fidelity, the best performer among the traditional methods can reach only half the compression ratio of BCAE. Moreover, a thorough ablation study of the BCAE method shows that a dedicated segmentation decoder improves the reconstruction.
• Abstract（参考訳）: 大規模実験施設におけるリアルタイムデータ収集と分析は、高エネルギー物理学、核物理学、宇宙論など、複数の分野において大きな課題となる。 これを解決するために、リアルタイムデータ圧縮のための機械学習(ML)ベースの手法が注目されている。 しかし、CIFARやImageNetのような比較的小型で連続的な自然画像データとは異なり、科学的データは高間隔(多くの零点)と非ガウス値分布の高速度で3次元のデータボリュームとして現れることが多い。 これにより、一般的なML圧縮手法や従来のデータ圧縮手法、サブ最適化を直接適用することができる。 これらの障害に対処するため、この研究は二重ヘッドオートエンコーダを導入し、空間と回帰を同時に解決する。 本手法は,MGARD,SZ,ZFPなどの従来のデータ圧縮手法と比較して圧縮忠実度と比の両方の利点を示す。 同様の忠実性を達成するため、従来の方法の中で最高の演奏者はBCAEの圧縮比の半分しか到達できない。 さらに、BCAE法に関する徹底的なアブレーション研究は、専用セグメンテーションデコーダが再構成を改善することを示している。

関連論文リスト

• Attention Based Machine Learning Methods for Data Reduction with Guaranteed Error Bounds [11.494915987840876]
  高エネルギー物理学のような分野における科学的応用は、高速度で大量のデータを生成する。 この課題に対処するためには、データ圧縮や削減技術が不可欠である。 本稿では,ブロックワイズ圧縮を用いたアテンションベース圧縮手法を提案する。
  論文  参考訳（メタデータ） (2024-09-09T06:35:24Z)
• UniCompress: Enhancing Multi-Data Medical Image Compression with Knowledge Distillation [59.3877309501938]
  Inlicit Neural Representation (INR) ネットワークは、その柔軟な圧縮比のため、顕著な汎用性を示している。 周波数領域情報を含むコードブックをINRネットワークへの事前入力として導入する。 これにより、INRの表現力が向上し、異なる画像ブロックに対して特異な条件付けが提供される。
  論文  参考訳（メタデータ） (2024-05-27T05:52:13Z)
• Sparse $L^1$-Autoencoders for Scientific Data Compression [0.0]
  L1$-regularizedの高次元ラテント空間を用いたオートエンコーダの開発により,効率的なデータ圧縮手法を提案する。 本稿では,これらの情報に富む潜伏空間を用いて,ぼやけなどのアーティファクトを緩和し,科学的データに対する高効率なデータ圧縮手法を実現する方法について述べる。
  論文  参考訳（メタデータ） (2024-05-23T07:48:00Z)
• Convolutional variational autoencoders for secure lossy image compression in remote sensing [47.75904906342974]
  本研究では,畳み込み変分オートエンコーダ(CVAE)に基づく画像圧縮について検討する。 CVAEは、JPEG2000のような従来の圧縮手法を圧縮ベンチマークデータセットのかなりのマージンで上回ることが示されている。
  論文  参考訳（メタデータ） (2024-04-03T15:17:29Z)
• Neural-based Compression Scheme for Solar Image Data [8.374518151411612]
  我々は、NASAのデータ集約画像ミッションで使用されるニューラルネットワークに基づく損失圧縮手法を提案する。 本研究では,画像の局所構造と大域構造の両方を捉えるために,局所的および非局所的アテンションモジュールを備えた逆トレーニングニューラルネットワークを提案する。 このアルゴリズムをSDOデータ解析に使用するための概念実証として、圧縮画像を用いてコロナホール(CH)検出を行った。
  論文  参考訳（メタデータ） (2023-11-06T04:13:58Z)
• Fast 2D Bicephalous Convolutional Autoencoder for Compressing 3D Time Projection Chamber Data [11.186303973102532]
  この研究はBCAE++とBCAE-2Dの2つの変種を紹介している。 BCAE++は圧縮比が15%向上し、BCAEと比較して平均絶対誤差で測定された再現精度が77%向上した。 さらに,デコーダを大きくしたアンバランスなオートエンコーダを,スループットを著しく損なうことなく再現精度を向上できることを示した。
  論文  参考訳（メタデータ） (2023-10-23T15:23:32Z)
• Quick Dense Retrievers Consume KALE: Post Training Kullback Leibler Alignment of Embeddings for Asymmetrical dual encoders [89.29256833403169]
  我々は,高密度検索手法の推論効率を高めるための効率的かつ正確な手法であるKulback Leibler Alignment of Embeddings (KALE)を紹介した。 KALEは、バイエンコーダトレーニング後の従来の知識蒸留を拡張し、完全なリトレーニングやインデックス生成なしに効率的なクエリエンコーダ圧縮を可能にする。 KALEと非対称トレーニングを用いることで、3倍高速な推論を持つにもかかわらず、DistilBERTの性能を超えるモデルを生成することができる。
  論文  参考訳（メタデータ） (2023-03-31T15:44:13Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• Exploring Autoencoder-based Error-bounded Compression for Scientific Data [14.724393511470225]
  我々は,SZモデルの観点から,エラーバウンドオートエンコーダベースのフレームワークを開発する。 設計したAEベースエラーバウンド圧縮フレームワークの主段の圧縮品質を最適化する。
  論文  参考訳（メタデータ） (2021-05-25T07:53:32Z)
• PowerGossip: Practical Low-Rank Communication Compression in Decentralized Deep Learning [62.440827696638664]
  本稿では,近隣労働者間のモデル差を直接圧縮する簡単なアルゴリズムを提案する。 中央集権的なディープラーニングのためにPowerSGDにインスパイアされたこのアルゴリズムは、パワーステップを使用して、1ビットあたりの転送情報を最大化する。
  論文  参考訳（メタデータ） (2020-08-04T09:14:52Z)
• 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)

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。