論文の概要: Generative Decompression: Optimal Lossy Decoding Against Distribution Mismatch
- arxiv url: http://arxiv.org/abs/2602.03505v1
- Date: Tue, 03 Feb 2026 13:25:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.463783
- Title: Generative Decompression: Optimal Lossy Decoding Against Distribution Mismatch
- Title（参考訳）: Generative Decompression: 分散ミスマッチに対する最適ロシーデコーディング
- Authors: Saeed R. Khosravirad, Ahmed Alkhateeb, Ingrid van de Voorde,
- Abstract要約: 本稿では,圧縮機設計のための推定分布が実際の(真の)ソース分布と一致しないような,損失圧縮における最適復号法について述べる。
整合量子化問題を正式に定義し、生成的減圧縮と呼ばれる最適再構成規則が古典的ベイズ推定と一致することを示す。
我々は、この枠組みをノイズの多いチャネルの伝送に拡張し、標準モジュラーソース-チャネル分離アーキテクチャの非効率性を評価する頑健なソフトデコード規則を導出した。
- 参考スコア（独自算出の注目度）: 20.28600385545221
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses optimal decoding strategies in lossy compression where the assumed distribution for compressor design mismatches the actual (true) distribution of the source. This problem has immediate relevance in standardized communication systems where the decoder acquires side information or priors about the true distribution that are unavailable to the fixed encoder. We formally define the mismatched quantization problem, demonstrating that the optimal reconstruction rule, termed generative decompression, aligns with classical Bayesian estimation by taking the conditional expectation under the true distribution given the quantization indices and adapting it to fixed-encoder constraints. This strategy effectively performs a generative Bayesian correction on the decoder side, strictly outperforming the conventional centroid rule. We extend this framework to transmission over noisy channels, deriving a robust soft-decoding rule that quantifies the inefficiency of standard modular source--channel separation architectures under mismatch. Furthermore, we generalize the approach to task-oriented decoding, showing that the optimal strategy shifts from conditional mean estimation to maximum a posteriori (MAP) detection. Experimental results on Gaussian sources and deep-learning-based semantic classification demonstrate that generative decompression closes a vast majority of the performance gap to the ideal joint-optimization benchmark, enabling adaptive, high-fidelity reconstruction without modifying the encoder.
- Abstract（参考訳）: 本稿では,圧縮機設計のための推定分布が実際の(真の)ソース分布と一致しないような,損失圧縮における最適復号法について述べる。
この問題は、デコーダが固定エンコーダでは利用できない真の分布について、サイド情報または事前情報を取得する、標準化された通信システムにおいて直ちに関係する。
量子化指標が与えられた真の分布の下で条件付き期待値を取り、それを固定エンコーダ制約に適応させることにより、最適再構成規則である生成的減圧縮(generative decompression)が古典ベイズ推定と整合することを示した。
この戦略はデコーダ側で生成ベイズ補正を効果的に行い、従来のセントロイド法則を厳密に上回る。
我々は、この枠組みをノイズの多いチャネルの伝送に拡張し、標準モジュラーソース-チャネル分離アーキテクチャの非効率性を評価する頑健なソフトデコード規則を導出した。
さらに,タスク指向のデコードへのアプローチを一般化し,最適戦略が条件付き平均推定からMAP検出の最大化へと移行することを示す。
ガウス情報源と深層学習に基づく意味分類実験の結果、生成的減圧が理想的な共同最適化ベンチマークに性能ギャップの大部分を埋め、エンコーダを変更することなく適応的で高忠実な再構成を可能にすることを示した。
関連論文リスト
- A Model-Driven Lossless Compression Algorithm Resistant to Mismatch [2.7930955543692817]
任意の大きさの予測ミスマッチに対して頑健な次点予測に基づく新しい圧縮アルゴリズムを提案する。
本研究は,一般的な圧縮法よりも高い圧縮比を達成しつつ,認証ミスマッチ方式における信頼性の高い動作を示すものである。
論文 参考訳（メタデータ） (2026-01-25T04:07:21Z) - Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。
JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
論文 参考訳（メタデータ） (2026-01-19T08:12:47Z) - Generalization Bounds for Transformer Channel Decoders [61.55280736553095]
本稿では,ECCTの一般化性能を学習理論の観点から検討する。
我々の知る限りでは、この研究はこの種のデコーダに対する最初の理論的一般化保証を提供する。
論文 参考訳（メタデータ） (2026-01-11T15:56:37Z) - Overcoming Joint Intractability with Lossless Hierarchical Speculative Decoding [58.92526489742584]
我々は無益な無益な提案をする。
承認されたトークンの数を大幅に増加させる検証方法。
HSDは様々なモデルファミリやベンチマークの受け入れ率に一貫した改善をもたらすことを示す。
論文 参考訳（メタデータ） (2026-01-09T11:10:29Z) - Universal Representations for Classification-enhanced Lossy Compression [3.3838477077773925]
損失圧縮では、圧縮速度と復元歪みの古典的なトレードオフがアルゴリズム設計に導かれる。
近年,[19]では, 変形に伴う分類精度を考慮し, 圧縮性能の評価を行った。
そこでは,様々な歪みや分類制約にまたがる複数のデコード目的を達成するために,単一のエンコーダを開発するユニバーサル表現について検討する。
論文 参考訳（メタデータ） (2025-04-12T00:55:56Z) - Threshold Selection for Iterative Decoding of $(v,w)$-regular Binary Codes [84.0257274213152]
繰り返しビットフリップデコーダは、sparse $(v,w)$-regular符号の効率的な選択である。
閉形式モデルに基づくしきい値決定のための具体的な基準を提案する。
論文 参考訳（メタデータ） (2025-01-23T17:38:22Z) - Deep Joint Source-Channel Coding with Iterative Source Error Correction [11.41076729592696]
深層学習に基づくジョイントソースチャネル符号(Deep J SCC)に対する反復的ソース誤り訂正(ISEC)復号法を提案する。
チャネルを通じて受信されたノイズワードに対して、Deep J SCCエンコーダとデコーダペアを使用して、コードを反復的に更新する。
提案手法は, チャネルノイズ特性がトレーニング時に使用するものと一致しない場合に, ベースラインよりも信頼性の高いソース再構成結果を生成する。
論文 参考訳（メタデータ） (2023-02-17T22:50:58Z) - End-to-end optimized image compression with competition of prior
distributions [29.585370305561582]
本稿では,単一の畳み込みオートエンコーダと学習前の複数分布を用いた圧縮方式を提案する。
提案手法は, 予め予測したパラメトリケート値に匹敵する速度歪み特性を示す。
論文 参考訳（メタデータ） (2021-11-17T15:04:01Z) - Neural Distributed Source Coding [59.630059301226474]
相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。
提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
論文 参考訳（メタデータ） (2021-06-05T04:50:43Z) - Unfolding Neural Networks for Compressive Multichannel Blind
Deconvolution [71.29848468762789]
圧縮性多チャネルブラインドデコンボリューション問題に対する学習構造付き展開型ニューラルネットワークを提案する。
この問題では、各チャネルの測定は共通のソース信号とスパースフィルタの畳み込みとして与えられる。
提案手法は,従来の圧縮型マルチチャネルブラインドデコンボリューション法よりも,スパースフィルタの精度と高速化の点で優れていることを示す。
論文 参考訳（メタデータ） (2020-10-22T02:34:33Z)
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。