論文の概要: Exploration-Exploitation Tradeoff in Universal Lossy Compression

• arxiv url: http://arxiv.org/abs/2506.20261v1
• Date: Wed, 25 Jun 2025 09:08:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.672132
• Title: Exploration-Exploitation Tradeoff in Universal Lossy Compression
• Title（参考訳）: 普遍的損失圧縮における探索・膨張トレードオフ
• Authors: Nir Weinberger, Ram Zamir,
• Abstract要約: ユニバーサル圧縮はソースを学習し、バッチモード(前方適応)またはシーケンシャルモード(後方適応)でそれに対応することができる。 我々は,このシーケンシャルモードをマルチアームバンディット問題,強化学習の基本モデルとして再検討し,損失のある圧縮ケースにおける探索と利用のトレードオフについて検討した。 我々は,どのブロック長でも動作するロバストなコスト指向MABアルゴリズムを導出し,解析する。
• 参考スコア（独自算出の注目度）: 28.69828948720086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Universal compression can learn the source and adapt to it either in a batch mode (forward adaptation), or in a sequential mode (backward adaptation). We recast the sequential mode as a multi-armed bandit problem, a fundamental model in reinforcement-learning, and study the trade-off between exploration and exploitation in the lossy compression case. We show that a previously proposed "natural type selection" scheme can be cast as a reconstruction-directed MAB algorithm, for sequential lossy compression, and explain its limitations in terms of robustness and short-block performance. We then derive and analyze robust cost-directed MAB algorithms, which work at any block length.
• Abstract（参考訳）: ユニバーサル圧縮はソースを学習し、バッチモード(前方適応)またはシーケンシャルモード(後方適応)で適応することができる。 我々は,このシーケンシャルモードをマルチアームバンディット問題,強化学習の基本モデルとして再検討し,損失のある圧縮ケースにおける探索と利用のトレードオフについて検討した。 従来提案されていた「自然型選択」スキームは、逐次的損失圧縮のための再構成指向MABアルゴリズムとして利用でき、ロバスト性や短ブロック性能の観点からその限界を説明することができる。 次に、任意のブロック長で動作するロバストなコスト指向MABアルゴリズムを導出し、解析する。

関連論文リスト

• Continuous Patch Stitching for Block-wise Image Compression [56.97857167461269]
  ブロックワイド画像圧縮のための新しい連続パッチステッチ(CPS)フレームワークを提案する。 我々のCPSフレームワークは、既存のモデルのコンピューティングリソースの半分以下を必要としながら、既存のベースラインに対して最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-24T03:11:59Z)
• Choose Your Model Size: Any Compression by a Single Gradient Descent [9.074689052563878]
  イテレーティブ・プルーニング(ACIP)による圧縮について紹介する。 ACIPは、単一の勾配降下ランから圧縮性能トレードオフを決定するアルゴリズム的なアプローチである。 本稿では,ACIPが共通量子化に基づく圧縮手法をシームレスに補完することを示す。
  論文  参考訳（メタデータ） (2025-02-03T18:40:58Z)
• MoDeGPT: Modular Decomposition for Large Language Model Compression [59.361006801465344]
  本稿では,新しい構造化圧縮フレームワークである textbfModular bfDecomposition (MoDeGPT) を紹介する。 MoDeGPTはTransformerブロックを行列対からなるモジュールに分割し、隠れた次元を減らす。 本実験では, 後方伝播を伴わないMoDeGPTが, 従来の圧縮手法と一致するか, あるいは超えていることを示す。
  論文  参考訳（メタデータ） (2024-08-19T01:30:14Z)
• Fundamental Limits of Prompt Compression: A Rate-Distortion Framework for Black-Box Language Models [21.025001473355996]
  大規模言語モデル(LLM)の即時圧縮問題について定式化する。 ブラックボックスモデルのハードプロンプトを生成するトークンレベルのプロンプト圧縮手法を統合するためのフレームワークを提案する。 本稿では,現在の高速圧縮法の性能と最適戦略との間に大きなギャップがあることを述べる。
  論文  参考訳（メタデータ） (2024-07-22T09:40:13Z)
• 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)
• Learned Video Compression via Heterogeneous Deformable Compensation Network [78.72508633457392]
  不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。 より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。 実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-07-11T02:31:31Z)

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。