跳到正文

算法、任务与模态

Compression 最新动态

Compression 研究索引；按可核对的标签归档，不以热度评价质量。

265 条精选近 30 天 46 条共收录 322 条

更新

精选归档 · 第 14 页

1月1日周五第 261–265 条
  1. OpenReview · EEG70

    用于生理信号无线监测的自适应数据压缩低功耗系统及其在无线 EEG 中的应用

    该研究针对生理信号无线监测中电池寿命与采集信号质量之间的权衡，提出用于无线 EEG 监测的低功耗系统设计方法：根据信号信息含量控制传输数据量，实时调节信号准确性与能耗之间的取舍。基于摘要分析，未取得论文全文。 核心机制是自适应数据压缩与无线发送量控制，而非 EEG 分类或 BCI 解码算法。研究考虑不同系统参数对设计的影响，并分析无线信道噪声下的表现。摘要未说明信息含量的计算方式、压缩算法、调节规则或系统参数的具体取值，相关实现细节尚未验证。 作者报告，该设计方法可在对监测 EEG 信号准确性影响较小的情况下，显著节省发射端功耗，但摘要未给出节省幅度或信号准确性的度量定义。作者还报告，在无线信道误码率 BER < 10⁻⁴ 的条件下，自适应压缩系统表现更好；摘要未明确对应的比较基线及性能指标，不能据此推断 BCI 分类 Accuracy 或端到端系统总能耗的改善。 其直接研究价值在于无线 EEG 采集与传输环节的能耗—保真度权衡。EEG 数据来源、被试与通道配置、硬件实现、功耗测量边界、实验协议、消融及统计信息尚未验证；进一步评估时需区分发射端功耗与包含压缩计算开销的总功耗，以及波形保真度与下游任务性能。摘要未提供可确认的代码或硬件复现条件。

    阅读价值：值得阅读的具体原因是其将 EEG 信息含量驱动的自适应压缩与无线发送能耗联合考虑，但信号保真度、功耗收益及信道条件下的实际表现仍需全文核对。

  2. OpenReview · State space models73

    用于声学模型压缩的黎曼流形协方差聚类

    基于摘要分析。本文研究声学模型压缩中的协方差矩阵聚类问题，核心贡献是在黎曼几何框架下定义协方差空间的距离与均值，并将 LBG 聚类算法扩展至该空间，而非直接采用欧氏向量聚类。 方法机制：作者指出，协方差矩阵不构成欧氏向量空间，常规向量聚类难以有效处理其几何结构。论文将协方差空间视为配备 Fisher 信息度量的黎曼流形，以流形上的距离和均值支撑聚类。摘要未提供距离公式、均值求解方式、聚类初始化、收敛条件及压缩后参数组织方式，具体实现尚未验证。 结果与证据边界：作者报告，在声学模型压缩实验中，模型大小降至接近原来的一半，识别性能未出现明显损失。摘要未给出语料、识别任务、数据划分、对照方法、模型大小的计量口径及识别指标，因此该结果不能扩展解释为特定识别错误率或统计等效性结论；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，对以正定协方差矩阵表征 EEG 的方法，流形聚类可能用于压缩原型集合或协方差字典；这不等于已证实的 BCI 效果。可复用部分是流形距离、均值与聚类流程，需改造部分包括 EEG 协方差估计、正则化及下游分类接口。低信噪比、短时间窗、小样本或通道变化可能使协方差估计不稳定，跨被试分布差异也可能削弱共享原型的代表性。一个小规模可证伪实验是：固定 EEG 数据划分与分类器，仅用训练集拟合原型，在相同原型数量下比较欧氏聚类与该流形聚类的分类 Accuracy、存储量及推理耗时。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以 Fisher 信息度量下的流形距离与均值扩展 LBG 聚类、实现协方差压缩的机制，但语音识别效果及向 EEG 协方差表示的迁移仍需分别核验。

1月1日周二
  1. OpenReview · Representation learning72

    多层图像表示：在图像压缩中的应用

    基于摘要分析。本文研究图像表示与图像压缩，提出将图像分解为分段平滑区域、纹理等相干层的多层表示方法，以不同变换或基函数分别编码不同结构，而非用单一表示处理整幅图像。 核心机制是级联有损压缩：先压缩原图，再依次压缩前一步留下的残差；每次仅保留残差中最显著的结构，从而形成稀疏表示。各层可采用不同变换、基函数和码率独立编码，再组合重建。其设计依据是基函数之间的互补性：一些基函数描述整体趋势，另一些捕捉局部瞬态或振荡模式。这里的“多层”指表示与编码层次，不能据此理解为多层神经网络。 作者报告已实现算法并研究其能力，但摘要未给出数据集、具体变换、码率配置、重建质量指标或对照结果，无法据此判断相对压缩性能。实验协议、消融及统计信息尚未验证；复现需进一步核对各层结构选择、残差更新、编码与解码流程。 平台推测（待验证）：该机制与 EEG 中慢变趋势、瞬态及节律振荡并存的结构有潜在对应，可考虑复用残差级联和互补基表示，但需将图像变换改造为适用于多通道时间序列的变换，并明确如何保留跨通道关系。摘要未交代基函数选择是否依赖训练数据或监督信号。主要风险是低信噪比下高幅伪迹被优先编码、低幅任务相关成分在有损压缩中丢失，以及跨被试和通道配置变化导致表示失配。一个可检验的小实验是在相同 EEG 数据划分与总码率下，对比单一变换和残差级联表示，同时检查重建误差与固定下游解码器的任务表现；小数据条件下需防止基函数选择过拟合。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是其通过逐级压缩残差、以互补基函数分别编码不同结构的表示机制；其对 EEG 压缩的适用性尚未验证。

  2. OpenReview · State space models74

    用于高速公路行程时间预测的状态空间神经网络

    基于摘要分析。本文研究高速公路行程时间预测中可观测交通量之间复杂的非线性时空关系，基于该问题的状态空间表述推导递归状态空间神经网络（SSNN）。其主要贡献是以内部状态建模交通动态，并通过分析状态与权重配置构建 Reduced SSNN，在缩减参数的同时保持预测性能。 机制与结果：SSNN 面向实际经历的行程时间预测，而非 EEG 或 BCI 任务。作者报告，模型明显优于当时的实践方法，预测残差近似服从零均值正态分布，通常处于真实预期行程时间的 10% 范围内；摘要未明确对应基线、数据划分及误差计算细节，不能将这一表述改写为 Accuracy 或固定误差上限。作者还报告，内部状态与权重分析显示模型形成了与底层交通过程密切相关的内部表征，据此剔除不显著参数；Reduced SSNN 保留 63 个可调权重，模型规模减少 72%，且预测性能未下降。上述结果均限于摘要所述交通预测评估，实验协议、消融及统计信息尚未验证。 复现需核对：交通数据来源、输入变量、采样间隔、预测时域、训练与测试划分、状态更新形式、训练目标，以及参数筛减准则。摘要不足以确认该 SSNN 与现代同名状态空间模型的具体结构关系。 平台推测（待验证）：迁移假设是，递归状态表征和基于内部分析的参数缩减可能用于 EEG 时序预测中的动态建模与小模型设计。可借鉴状态更新与缩减思路，但须改造交通输入、预测目标及状态解释方式；原方法依赖哪些时空观测、监督信号和训练规模仍需全文核对。EEG 的低信噪比、跨被试差异、通道变化和小数据可能使状态解释及参数重要性不稳定。一个可检验的小实验是在固定被试内划分下比较完整模型与缩减模型的 EEG 短时预测误差及参数量，检验压缩能否保持泛化性能。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的是以状态空间建模组织非线性时空预测，并依据内部状态与权重分析缩减模型的思路；其交通预测效果由作者报告，对 EEG 的适用性尚未验证。

1月1日周日
  1. OpenReview · State space models77

    用于束搜索解码的语言模型表示

    基于摘要分析。本文研究面向大词汇量连续语音 HMM 识别器的 bigram 语言模型表示，核心贡献是结合概率因子分解、后继词树结构与空间优化算法，降低 beam-search 解码所需的语言模型存储开销；原研究对象是语音识别，而非 EEG 或 BCI。 技术机制上，作者从 bigram 插值方案推导概率因子分解，并将给定词之后可能出现的词组织为树形拓扑，再利用优化算法减少语言模型的空间需求。摘要未给出分解公式、树节点共享规则、优化目标及其与搜索剪枝的具体交互，这些实现条件尚未验证。 作者报告，在 HP-735 工作站上开展的两个 10,000 词听写任务中，放射学报告任务的困惑度为 27，达到 93% 词准确率、实时响应和 23 Mb 进程空间；报纸听写任务的困惑度为 120，达到 88.1% 词准确率、1.41 倍实时响应时间和 38 Mb 进程空间。上述结果属于各自语料与当时硬件条件，不能直接用于推断现代系统的性能或压缩收益。数据划分、对照表示、消融及统计信息尚未验证；空间单位沿用摘要原文。 平台推测（待验证）：若语言型 BCI 已提供词级候选概率，并使用 bigram 先验进行束搜索，这种表示方法可能用于降低语言先验的存储开销，但不直接改善 EEG 特征提取或跨被试泛化。可复用的是词转移概率的树形表示与搜索接口，需改造的是神经解码输出与词表、语言先验的对接。低信噪比和小样本造成的候选概率失准，可能使语言先验掩盖神经证据。一个可检验的小实验是固定神经解码器、bigram 概率及搜索设置，仅替换语言模型表示，比较输出一致性、峰值内存与解码延迟。已有 EEG 相关工作尚未检索确认。

    阅读价值：该研究提供了利用 bigram 概率因子分解和树结构压缩语言模型表示的具体思路，值得关注其在 beam-search 解码中对存储与响应时间的权衡，但对神经信号解码的适用性尚未验证。