An Introduction to Neural Data Compression
Az adattömörítés célja a hasznos információ megjelenítéséhez szükséges bitek számának csökkentése. A neurális vagy tanult tömörítés a neurális hálózatok és a kapcsolódó gépi tanulási technikák alkalmazása erre a feladatra.
Ez a monográfia a neurális tömörítés előfeltételeinek és reprezentatív módszereinek áttekintésével belépési pontként kíván szolgálni a tömörítés iránt érdeklődő gépi tanulással foglalkozó kutatók számára. A neurális tömörítés a neurális hálózatok és más gépi tanulási módszerek alkalmazása az adattömörítésre. A statisztikai gépi tanulásban elért legújabb eredmények új lehetőségeket nyitottak meg az adattömörítés számára, lehetővé téve, hogy a tömörítési algoritmusokat végponttól végpontig megtanulják az adatokból olyan nagy teljesítményű generatív modellek segítségével, mint a normalizáló áramlások, a variációs autokódolók, a diffúziós valószínűségi modellek és a generatív adverzális hálózatok.
Ez a monográfia ezt a kutatási területet mutatja be a szélesebb gépi tanulási közönségnek, áttekintve a szükséges információelméleti (pl. entrópiakódolás, sebességtorzítás-elmélet) és számítógépes látás (pl.
képminőség-értékelés, perceptuális metrikák) hátteret, és kurátori útmutatást nyújtva az eddigi szakirodalomban szereplő alapvető ötletek és módszerek között. A hatalmas szakirodalom áttekintése helyett a neurális tömörítés alapvető fogalmait és módszereit tárgyalja, a gépi tanulásban jártas, de az adattömörítésben nem feltétlenül jártas olvasót szem előtt tartva.
