論文の概要: Tensor Shape Search for Optimum Data Compression

• arxiv url: http://arxiv.org/abs/2205.10651v1
• Date: Sat, 21 May 2022 17:58:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 20:16:42.382741
• Title: Tensor Shape Search for Optimum Data Compression
• Title（参考訳）: 最適データ圧縮のためのテンソル形状探索
• Authors: Ryan Solgi, Zichang He, William Jiahua Liang, Zheng Zhang
• Abstract要約: テンソル形状がテンソル分解に及ぼす影響について検討した。 テンソルトレイン(TT)分解のための最適形状を求める最適化モデルを提案する。
• 参考スコア（独自算出の注目度）: 6.610488230919323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Various tensor decomposition methods have been proposed for data compression. In real world applications of the tensor decomposition, selecting the tensor shape for the given data poses a challenge and the shape of the tensor may affect the error and the compression ratio. In this work, we study the effect of the tensor shape on the tensor decomposition and propose an optimization model to find an optimum shape for the tensor train (TT) decomposition. The proposed optimization model maximizes the compression ratio of the TT decomposition given an error bound. We implement a genetic algorithm (GA) linked with the TT-SVD algorithm to solve the optimization model. We apply the proposed method for the compression of RGB images. The results demonstrate the effectiveness of the proposed evolutionary tensor shape search for the TT decomposition.
• Abstract（参考訳）: データ圧縮には様々なテンソル分解法が提案されている。 実世界におけるテンソル分解の応用では、与えられたデータに対するテンソル形状の選択が課題となり、テンソルの形状が誤差と圧縮比に影響する可能性がある。 本研究では, テンソルの形状がテンソルの分解に及ぼす影響について検討し, テンソルの分解に最適な形状を求める最適化モデルを提案する。 提案した最適化モデルは,誤差境界が与えられたTT分解の圧縮比を最大化する。 最適化モデルを解決するために,TT-SVDアルゴリズムにリンクした遺伝的アルゴリズム(GA)を実装した。 提案手法をRGB画像の圧縮に適用する。 その結果,tt分解に対する進化的テンソル形状探索の有効性が示された。

関連論文リスト

• Convolutional Neural Network Compression Based on Low-Rank Decomposition [3.3295360710329738]
  本稿では,変分ベイズ行列分解を組み込んだモデル圧縮法を提案する。 VBMFは各層における重みテンソルのランクを推定するために用いられる。 その結果, 高圧縮比と低圧縮比では, 圧縮モデルの性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-29T06:40:34Z)
• A Supervised Tensor Dimension Reduction-Based Prognostics Model for Applications with Incomplete Imaging Data [2.538209532048867]
  本稿では,ほとんどの画像ベース予測モデルに対して2つの利点を有するテンソルデータに対する教師付き次元削減手法を提案する。 TTF(Time-to-failure)を用いて低次元特徴の抽出を監督し、抽出した特徴をその後の予後に対してより効果的にする。
  論文  参考訳（メタデータ） (2022-07-22T22:06:17Z)
• Error Analysis of Tensor-Train Cross Approximation [88.83467216606778]
  我々は, テンソル全体の精度保証を行う。 結果は数値実験により検証され、高次テンソルに対するクロス近似の有用性に重要な意味を持つ可能性がある。
  論文  参考訳（メタデータ） (2022-07-09T19:33:59Z)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• 2D+3D facial expression recognition via embedded tensor manifold regularization [16.98176664818354]
  2D+3次元表情認識(FERETMR)のための埋め込みテンソル多様体正規化による新しい手法を提案する。 定常点の観点から一階最適条件を確立し、収束解析によるブロック座標降下(BCD)アルゴリズムを設計する。 BU-3DFEデータベースとBosphorusデータベースの数値計算結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-01-29T06:11:00Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Optimizing Information-theoretical Generalization Bounds via Anisotropic Noise in SGLD [73.55632827932101]
  SGLDにおけるノイズ構造を操作することにより,情報理論の一般化を最適化する。 低経験的リスクを保証するために制約を課すことで、最適なノイズ共分散が期待される勾配共分散の平方根であることを証明する。
  論文  参考訳（メタデータ） (2021-10-26T15:02:27Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)
• Tensorized Random Projections [8.279639493543401]
  テンソルトレイン(TT)とCP分解形式に依存した2つのテンソル化ランダムプロジェクションマップを提案する。 2つのマップはメモリ要件が非常に低く、入力がCPまたはTTフォーマットで与えられる低階テンソルである場合に効率よく適用できる。 その結果, TTフォーマットは, 同じ歪み比を達成するのに必要な乱射影の大きさにおいて, CPよりもかなり優れていることがわかった。
  論文  参考訳（メタデータ） (2020-03-11T03:56:44Z)
• A Unified Framework for Coupled Tensor Completion [42.19293115131073]
  結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。 TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。 提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-09T02:15:46Z)

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。