論文の概要: Challenges and Solutions in Selecting Optimal Lossless Data Compression Algorithms

• arxiv url: http://arxiv.org/abs/2509.25219v1
• Date: Tue, 23 Sep 2025 22:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.172867
• Title: Challenges and Solutions in Selecting Optimal Lossless Data Compression Algorithms
• Title（参考訳）: 最適ロスレスデータ圧縮アルゴリズムの選択における課題と解決策
• Authors: Md. Atiqur Rahman, MM Fazle Rabbi,
• Abstract要約: 本稿では,圧縮率,符号化時間,復号時間を統一性能スコアに統合するフレームワークを提案する。 優先度設定に最も適した圧縮機を確実に識別できることが示される。 結果、現代の学習ベースのコーデックは圧縮比が優れていることが多いが、古典的アルゴリズムは速度が最優先である場合に有利であることが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.9883261192383612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of digital data has heightened the demand for efficient lossless compression methods. However, existing algorithms exhibit trade-offs: some achieve high compression ratios, others excel in encoding or decoding speed, and none consistently perform best across all dimensions. This mismatch complicates algorithm selection for applications where multiple performance metrics are simultaneously critical, such as medical imaging, which requires both compact storage and fast retrieval. To address this challenge, we present a mathematical framework that integrates compression ratio, encoding time, and decoding time into a unified performance score. The model normalizes and balances these metrics through a principled weighting scheme, enabling objective and fair comparisons among diverse algorithms. Extensive experiments on image and text datasets validate the approach, showing that it reliably identifies the most suitable compressor for different priority settings. Results also reveal that while modern learning-based codecs often provide superior compression ratios, classical algorithms remain advantageous when speed is paramount. The proposed framework offers a robust and adaptable decision-support tool for selecting optimal lossless data compression techniques, bridging theoretical measures with practical application needs.
• Abstract（参考訳）: デジタルデータの急速な成長により、効率的なロスレス圧縮手法の需要が高まった。 しかし、既存のアルゴリズムはトレードオフを示しており、高い圧縮比を達成するものもあれば、符号化や復号速度に優れるものもある。 このミスマッチは、コンパクトストレージと高速検索の両方を必要とする医療画像など、複数のパフォーマンス指標が同時に重要であるアプリケーションに対して、アルゴリズムの選択を複雑にする。 この課題に対処するため、圧縮率、符号化時間、復号時間を統一された性能スコアに統合する数学的枠組みを提案する。 このモデルは、原理的な重み付けスキームを通じてこれらのメトリクスを正規化し、バランスをとり、多様なアルゴリズムの客観的および公正な比較を可能にする。 画像とテキストのデータセットに関する大規模な実験により、異なる優先度設定に最も適した圧縮機を確実に特定できることが示されている。 結果、現代の学習ベースのコーデックは圧縮比が優れていることが多いが、古典的アルゴリズムは速度が最優先である場合に有利であることが明らかとなった。 提案するフレームワークは、最適損失のないデータ圧縮技術を選択し、実用的なアプリケーションニーズで理論的な測度をブリッジする、堅牢で適応可能な意思決定支援ツールを提供する。

関連論文リスト

• Reducing Storage of Pretrained Neural Networks by Rate-Constrained Quantization and Entropy Coding [56.066799081747845]
  成長を続けるニューラルネットワークのサイズは、リソースに制約のあるデバイスに深刻な課題をもたらす。 本稿では,レートアウェア量子化とエントロピー符号化を組み合わせた学習後圧縮フレームワークを提案する。 この方法では非常に高速な復号化が可能であり、任意の量子化グリッドと互換性がある。
  論文  参考訳（メタデータ） (2025-05-24T15:52:49Z)
• Streaming Lossless Volumetric Compression of Medical Images Using Gated Recurrent Convolutional Neural Network [0.0]
  本稿では,ハードウェアフレンドリーなストリーミングロスレスボリューム圧縮フレームワークを提案する。 本稿では,多種多様な畳み込み構造と融合ゲート機構を組み合わせたゲートリカレント畳み込みニューラルネットワークを提案する。 提案手法は,堅牢な一般化能力と競争圧縮速度を示す。
  論文  参考訳（メタデータ） (2023-11-27T07:19:09Z)
• Learning Accurate Performance Predictors for Ultrafast Automated Model Compression [86.22294249097203]
  フレキシブルネットワーク展開のための超高速自動モデル圧縮フレームワークSeerNetを提案する。 本手法は,探索コストを大幅に削減した競合精度・複雑度トレードオフを実現する。
  論文  参考訳（メタデータ） (2023-04-13T10:52:49Z)
• 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)
• Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image Compression [85.93207826513192]
  本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。 VAEのアプローチにおける連立損失と残留圧縮の問題を解く。 ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
  論文  参考訳（メタデータ） (2022-09-11T12:11:56Z)
• ELIC: Efficient Learned Image Compression with Unevenly Grouped Space-Channel Contextual Adaptive Coding [9.908820641439368]
  本研究では,最先端の速度と圧縮能力を実現するための効率的なモデルであるELICを提案する。 優れたパフォーマンスで、提案モデルは極めて高速なプレビューデコーディングとプログレッシブデコーディングもサポートする。
  論文  参考訳（メタデータ） (2022-03-21T11:19:50Z)
• 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)

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。