本文考虑在通过随机投影压缩的数据上准确高效地计算低秩矩阵或张量分解的问题。我们研究了在压缩域内执行分解并从恢复 (压缩) 因子中重构原始高维因子的方法，在矩阵和张量设置中，我们建立了这种自然方法能够证明恢复原始因子的条件。我们对合成数据进行了实验，证实了压缩因式分解在真实世界的基因表达和脑电时间序列数据集中的实际适用性，并支持这些理论结果。

Jun, 2017

本文提出利用 GPU 和 SIMD 体系结构的大规模并行和舍弃一些压缩效率以提高数据解压缩的并行度等技术，以增加 DEFLATE 方案解压缩性能并在减少 17％能耗的同时与多核 CPU-based 库相比实现 2 倍的速度提升。

Jun, 2016

本文利用无监督目标设计神经压缩器进行图像压缩，以满足具有数据增强特征的所有预测任务的高性能，实现了大幅度节省数据率的效果，同时不会降低下游分类性能。

Jun, 2021

对机器学习和人工智能在高性能计算中的应用，数据压缩对模型质量的影响以及现代有损压缩方法的优势进行了系统评估，指出了指导将来使用和设计有损压缩器的关键见解。

Mar, 2024

本研究提出第一个能够在分布式内存上实现 Tucker 分解的并行算法，通过压缩科学模拟产生的大规模数据，尽量保持数据准确性。对使用该算法的真实数据集进行了压缩和精度分析，并提供了详细的性能结果，包括弱和强缩放实验中的并行性能。

Oct, 2015

本研究提出了一种对几何变形不敏感的误差度量，用于在任何现有的压缩方案中实现最佳压缩，从而在保留图像细节的同时大大提高了多种编解码器的视觉质量。

Apr, 2018

本文研究了在联邦学习中使用压缩和聚合方案来产生特定误差分布的方法，分析了基于分层量化实现准确误差分布的不同聚合方案，并提供了利用所提出的压缩方案在差分隐私应用中免费获得压缩的不同方法。我们的通用压缩方法可以恢复和改进具有高斯扰动的标准联邦学习方案，如 Langevin 动力学和随机平滑。

Oct, 2023

本文研究深度神经网络在领域迁移后的压缩问题，提出一种基于低秩矩阵分解的压缩算法，结合目标域的激活统计信息，在不降低模型性能的情况下将模型参数量压缩至传统技术的 5-20%。

Sep, 2017

TENSORCODEC 是一种用于一般张量的有损压缩算法，通过将神经张量列车分解与 Tensor-Train 分解相结合，将输入张量折叠成更高阶的张量，重新排序输入张量的模索以揭示可供 NTTD 利用的模式，实验结果表明 TENSORCODEC 在压缩效率、重建准确性和可扩展性方面具有优势。

Sep, 2023

通过深度学习技术提出了 GWLZ 压缩框架，通过多个轻量级的可学习增强模型显著提高了解压数据的重建质量，同时对压缩效率的影响极小。

Apr, 2024