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
- A Survey on Transformer Compression [84.18094368700379]
Transformerアーキテクチャに基づく大規模モデルは、人工知能においてますます重要な役割を担っている。
モデル圧縮法はメモリと計算コストを削減し、実用的なデバイス上でトランスフォーマーモデルを実装するために必要なステップである。
このサーベイは、最近の圧縮手法の包括的なレビューを提供し、トランスフォーマーモデルへの適用に特に焦点をあてている。
論文 参考訳(メタデータ) (2024-02-05T12:16:28Z) - FFCA-Net: Stereo Image Compression via Fast Cascade Alignment of Side
Information [44.88123177525665]
マルチビュー圧縮技術、特にステレオ画像圧縮(SIC)は、車載カメラや3D関連アプリケーションにおいて重要な役割を果たす。
本稿では,デコーダの側情報を完全に活用する機能ベースの高速カスケードアライメントネットワーク(FFCA-Net)を提案する。
提案手法は,他の手法よりも3倍から10倍高速な復号化を実現する。
論文 参考訳(メタデータ) (2023-12-28T11:12:03Z) - 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) - Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。
本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。
我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
論文 参考訳(メタデータ) (2022-02-09T18:48:02Z) - 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) - Learned Image Compression with Separate Hyperprior Decoders [19.14246055282486]
離散ガウス混合確率における混合パラメータの復号過程を分離するために、3つの超プライア復号器を提案する。
提案手法は,最先端手法と比較して平均3.36%のBDレート低減を実現している。
論文 参考訳(メタデータ) (2021-10-31T13:01:56Z) - 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。