- 贝叶斯流网络
该论文介绍了贝叶斯流网络(BFNs),这是一种新的生成模型,通过贝叶斯推理修改一组独立分布的参数,然后将其作为输入传递给神经网络,输出第二个相互依赖的分布。BFNs 在连续数据、离散化数据和离散数据等方面有效,并在图像建模和字符级语言建模任 - SpikeCodec: 基于端到端学习的脉冲相机压缩框架
本文提出了一种基于场景恢复和变分自编码器的学习型脉冲压缩框架,该方法比传统压缩方法表现更好,为学习型脉冲数据压缩提供了一个坚实的基础。
- 高亮度 LHC 数据压缩的可微分 EMD
本篇论文研究如何训练卷积神经网络以学习可微分、快速的 EMD 近似函数,用于高亮度 LHC 的粒子探测器数据压缩,证明与基于均方误差的损失函数相比,使用可微分的 EMD CNN 进行训练的编码器神经网络表现更优。
- 基于贝叶斯隐式神经表达的压缩
本文提出了一种基于变分贝叶斯神经网络的数据压缩方法,并使用相对熵编码代替量化和熵编码以优化 $eta$-ELBO 的速率失真性能,同时通过迭代算法学习先验权重分布并采用渐进式细化过程来有效提高压缩性能。实验证明,该方法在图像和音频压缩方面 - 贝叶斯重整化
Bayesian Renormalization uses the Fisher metric to define an emergent RG scale and prepare an effective model for a syst - 高效处理和传输的医学影像表达在多站点云中的应用
本文提出一种基于多重数据结构的医学图像格式表示方法,它在医学图像中保留额外的元数据信息,并使用多层神经网络定义了自己的本体论来帮助分类医学图像中的对象。此外,研究人员还在云端使用 MapReduce 范例来改善数据处理速度,同时提出了一种基 - 谱保持数据压缩加速支持向量聚类
该研究通过光谱保留数据压缩的方式来加速支持向量聚类,并取得了显著的速度提升和聚类质量保持。
- 用掩码实现的语义数据压缩方法 —— 填字游戏
该研究侧重于英文文本,并利用其语义方面进一步改进压缩效率,主要思想源于填字游戏,即通过某些关键字母提供,即使隐藏的单词具有语义学特征,也可以被精确地重构,并提出了一种类似游戏的基于掩码的策略,编码器评估每个单词的语义重要性,然后掩盖较小的单 - CVPRRIDDLE: 激光雷达数据压缩与深度范围图像 Delta 编码
该研究提出了一种名为 RIDDLE 的数据驱动范围图像压缩算法,该算法通过深度学习模型进行预测,以更好的利用激光雷达扫描模式,相比于现有的点云和范围图像压缩方法,在相同的失真度下大幅提高了压缩速度。在 Waymo Open 数据集和 KIT - 自相似先验:可区分的分形表征神经拼贴
本研究设计出一种新型隐式算子 Neural Collages,用于自相似性的学习和压缩,并展示了它在分形艺术和深度生成模型中的应用。
- 一种用于无线物联网中带宽高效分布式推理的学习框架
本文提出一种基于深度学习的机器消耗数据压缩和量化框架,以最大化在融合中心推导出的全局决策的准确性为目标,并提出以感测目标为设计基础的数据压缩机制和熵量化器方法,相较于其他基准模型在性能上有较大提升。
- 基于压缩的多子词分割神经机器翻译 LCP-dropout
本研究提出了 LCP-dropout 的概率方法,旨在解决基于数据压缩算法的子词切分中多重分段生成的困难问题。研究结果表明 LCP-dropout 方法在小型训练数据学习中优于传统方法。
- 内存重放与数据压缩结合的持续学习方法
本文提出了一种基于 DPP 的方法 - 记忆重放数据压缩(MRDC)来提高数据存储量以解决连续学习中过度遗忘过去的问题,并在多个任务上进行了验证,包括自动驾驶物体检测。
- 神经数据压缩简介
本文介绍了神经压缩的概念及其在数据压缩领域中的应用,首次完整回顾了信息论和计算机视觉的背景知识,并提供了一个文献综述,总结了目前领域内的主要意见和方法。
- ReduNet:基于最大化比率降低原则的白盒深度网络
该研究提供了一个基于数据压缩和鉴别性表示原理来解释现代深度 (卷积) 神经网络的可行理论框架。该理论框架认为,对于高维多类数据,最优线性判别性表示最大化整个数据集和所有子集的平均值之间的编码率差异。
- 范数显式量化:改进向量量化获得更佳内积搜索
本文提出了一种基于范数误差和方向误差的定量化误差的新方法,指出在最大内积搜索(MIPS)中量化误差在范数方面的影响大于在方向上的影响,因此提出了内部明确的基于规范的矢量量化(NEQ)用于 MIPS。该方法可以明显减小需要搜索的大型数据集,同 - CVPR利用全景深度图对人体进行 4D 对应
采用端到端的深度学习方法建立密集的形状对应关系,并随后压缩 3D 全身重建数据。
- DeepN-JPEG:一种基于 JPEG 的深度神经网络有利的图像压缩框架
本研究开发了一种基于人类视觉和深层神经网络架构的图像压缩框架 DeepN-JPEG 来降低智能物联网系统中数据存储和传输开销,并通过实验证明该方法能够在保持图像识别准确性的同时,实现高达 JPEG 的 3.5 倍的压缩率,具有在基于 DNN - 基于参数相关协方差矩阵的大数据压缩
介绍了一种称为 MOPED 的大规模数据压缩算法,它可以通过降低所需仿真数据集的数量,使高斯分布数据估计所需的协方差矩阵变得更具管理性,特别是针对下一代弱引力透镜测量的调查。
- 草图算法的统计性质
该论文介绍了一种称为 “sketching” 的数据压缩技术,该技术通过随机投影将大型数据集压缩成较小的替代数据集,然后进行统计分析,该方法特别适用于大规模的线性回归问题。