論文の概要: GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression

• arxiv url: http://arxiv.org/abs/2603.20109v1
• Date: Fri, 20 Mar 2026 16:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.238055
• Title: GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression
• Title（参考訳）: GO-GenZip: Goal-Oriented Generative Smplingとハイブリッド圧縮
• Authors: Pietro Talli, Qi Liao, Alessandro Lieto, Parijat Bhattacharjee, Federico Chiariotti, Andrea Zanella,
• Abstract要約: 現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。 本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 50.76941829813458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current network data telemetry pipelines consist of massive streams of fine-grained Key Performance Indicators (KPIs) from multiple distributed sources towards central aggregators, making data storage, transmission, and real-time analysis increasingly unsustainable. This work presents a generative AI (GenAI)-driven sampling and hybrid compression framework that redesigns network telemetry from a goal-oriented perspective. Unlike conventional approaches that passively compress fully observed data, our approach jointly optimizes what to observe and how to encode it, guided by the relevance of information to downstream tasks. The framework integrates adaptive sampling policies, using adaptive masking techniques, with generative modeling to identify patterns and preserve critical features across temporal and spatial dimensions. The selectively acquired data are further processed through a hybrid compression scheme that combines traditional lossless coding with GenAI-driven, lossy compression. Experimental results on real network datasets demonstrate over 50$\%$ reductions in sampling and data transfer costs, while maintaining comparable reconstruction accuracy and goal-oriented analytical fidelity in downstream tasks.
• Abstract（参考訳）: 現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンスインジケータ(KPI)の大量のストリームで構成されており、データストレージ、送信、リアルタイム分析はますます持続不可能になっている。 本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。 完全に観測されたデータを受動的に圧縮する従来の手法とは異なり、我々の手法は下流タスクへの情報関連性によって導かれる観察方法と符号化方法とを共同で最適化する。 このフレームワークは適応的なサンプリングポリシーを統合し、適応的なマスキング技術を用いてパターンを識別し、時間的および空間的次元にわたって重要な特徴を保存する。 選択的に取得したデータは、従来のロスレス符号化とGenAI駆動のロスリー圧縮を組み合わせたハイブリッド圧縮スキームによってさらに処理される。 実ネットワークデータセットに対する実験結果は、サンプリングとデータ転送コストが50$\%以上削減され、下流タスクでは、同等の再構成精度と目標指向の分析忠実性を維持していることを示している。

関連論文リスト

• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Single Domain Generalization with Model-aware Parametric Batch-wise Mixup [22.709796153794507]
  単一ドメインの一般化は、マシンラーニングの分野において、依然として深刻な課題である。 本稿では,モデル認識型パラメトリックバッチ・ワイド・ミックスアップ(Parametric Batch-wise Mixup)と呼ばれる新しいデータ拡張手法を提案する。 機能間相関を利用することで、パラメータ化されたミックスアップジェネレータは、複数のインスタンスにまたがる機能の組み合わせにおいて、さらなる汎用性を導入する。
  論文  参考訳（メタデータ） (2025-02-22T03:45:18Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Enabling robust sensor network design with data processing and optimization making use of local beehive image and video files [0.0]
  最先端のエッジコンピューティング技術を使ってデータ転送とストレージを最適化する革命的なパラダイムです。 提案手法は,画像とビデオのデータ圧縮と数値データに対するデータ集約技術を組み合わせたものである。 このアプローチの重要な側面は、リソース制約のある環境での運用を可能にすることです。
  論文  参考訳（メタデータ） (2024-02-26T15:27:47Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• Information-Ordered Bottlenecks for Adaptive Semantic Compression [0.0]
  確率で順序付けられた変数に適応的にデータを圧縮するニューラルネットワーク層を提案する。 IOBは与えられたアーキテクチャに対してほぼ最適に圧縮でき、意味論的に意味のある方法で符号化信号を割り当てることができることを示す。 IOBを用いて世界次元を推定するための新しい理論を導入し、複雑な合成データのSOTA次元推定を復元することを示す。
  論文  参考訳（メタデータ） (2023-05-18T18:00:00Z)
• Neural BRDF Representation and Importance Sampling [79.84316447473873]
  本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。 BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。 複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
  論文  参考訳（メタデータ） (2021-02-11T12:00:24Z)

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。