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。

64 条精选近 30 天 22 条共收录 74 条

更新

精选归档 · 第 4 页

1月1日周二第 61–64 条
  1. OpenReview · EEG78

    基于矩阵与张量分解的近无损多通道 EEG 压缩

    基于摘要分析。该研究针对多通道 EEG 的近无损压缩，利用矩阵与张量分解同时提取时间和空间相关性，并结合残差编码，在压缩信号的同时控制原始信号与重建信号之间的最大绝对误差。 核心机制是将多通道 EEG 表示为适当的多维形式，分析多种矩阵与张量分解模型的去相关能力，再采用“有损编码加残差编码”的两层方案：有损层使用基于矩阵或张量分解的编码器，残差层使用算术编码。作者称该方案能够保证用户可指定的最大绝对重建误差。摘要未给出具体分解模型、多维组织方式、分解参数或残差处理细节，这些实现条件尚未验证。 作者报告，在三个头皮 EEG 数据集和一个 iEEG 数据集上进行了评估，各数据集的采样率和分辨率不同。相较于逐通道独立压缩，所提方法获得了更有吸引力的压缩比，但摘要未提供具体数值。作者还报告，在相近压缩比下，该方法的平均误差较一种类似的基于小波的多维多通道 EEG 压缩算法低近五倍；该结果仅对应摘要所述对照条件，不能外推为所有数据或压缩设置下的优势。 该工作的主要贡献是信号压缩与重建误差控制，而非 EEG 解码或 BCI 分类性能提升。复现时需核对数据集身份、压缩比与平均误差的定义、最大绝对误差阈值、模型参数及编码开销，并检验重建信号是否保留下游分析所需的信息。实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读的具体原因是其将多通道时空去相关与残差编码结合，在可指定最大绝对重建误差的约束下压缩 EEG；压缩收益及误差控制对下游分析的影响仍需核对全文与复现。

1月1日周日
  1. OpenReview · EEG74

    基于三维分解的多通道 EEG 压缩

    基于摘要分析。本文研究多通道 EEG 的压缩，将信号表示为三阶张量（或三维体数据），以利用空间与时间相关性，并提出可控制最大重建误差的两阶段编码框架。 核心机制：第一阶段比较三类编码方案，即基于小波的体数据编码、基于能量的小波子带无损压缩，以及基于张量分解的编码；第二阶段对残差进行量化与编码。残差处理使压缩过程能够控制最大误差，即最坏情况失真。摘要未说明张量各维度的具体组织方式、所用张量分解类型、量化规则或误差控制参数，这些实现细节尚未验证。 结果与对照：作者报告，在一个标准 EEG 数据集上的数值实验中，张量编码相较小波方案和基于能量的方案取得更低的最坏情况误差，平均误差则相当。摘要未提供数据集名称、被试数、数据划分、压缩率、误差指标定义及具体数值，因此无法判断这一优势对应何种压缩条件，也不能将其视为对其他数据或协议的普遍结论。实验协议、消融及统计信息尚未验证。 阅读与复现关注点：需从全文核对张量构造、各方案的编码与解码步骤，以及比较时压缩率和误差约束是否对应相同条件。该研究的直接贡献是 EEG 信号压缩，而非 BCI 解码方法；压缩后的任务相关信号是否保留、对下游 BCI 性能有何影响，摘要未提供证据。复现还需确认数据获取方式、参数设置与代码可用性。

    阅读价值：值得阅读的具体原因是其将多通道 EEG 的张量表示与残差编码结合以控制最大重建误差，作者报告张量编码相较两类对照方案具有更低的最坏情况误差，但具体实验协议及下游信号保真度尚未验证。

1月1日周六
  1. OpenReview · EEG71

    EEG 无损压缩的二维方法

    基于摘要分析。本文研究 EEG 信号的无损压缩，通过将信号重排为二维矩阵，再结合二维编码与残差编码，利用信号中的相关结构提高压缩效率；研究对象是 EEG 数据存储与编码，而非 BCI 任务识别。 核心方法包含计算上较简单的二维预处理，以及由 SPIHT 有损编码层和算术编码残差层组成的两阶段编码器。其无损性依赖残差层补偿有损层带来的重建误差，不能将整个方法误解为有损 EEG 压缩。作者称编码器经过优化，以利用信源记忆性和残差的独立同分布（i.i.d.）特性；矩阵排列规则、残差定义及具体优化方式尚未验证。 作者在 University of Bonn database 和 Physiobank Motor/Mental Imagery database 上测试，并与 JPEG2000、基于预测编码的 shorten、简单熵编码及标准向量式压缩方案比较。作者报告，二维方案获得更高的无损压缩性能，预处理带来 6% 的改善，两阶段编码器进一步带来 3% 的改善。摘要未明确这两个增幅对应的压缩指标、计算口径和具体参照条件，因此不应将其解释为百分点、绝对压缩率或跨数据库一致的收益，也不能与其他协议下的结果直接比较。 该方法的直接价值在于 EEG 无损存储链路。复现需核对原始数据精度、二维矩阵构造方式、编码参数、残差处理、码流开销及逐样本无损还原条件，并结合运行时间与内存占用判断实用性。实验协议、消融及统计信息尚未验证；摘要不能支持对实时传输、多通道部署或 BCI 解码性能改善的结论。

    阅读价值：值得阅读其二维重排与 SPIHT—残差算术编码组合如何实现 EEG 无损压缩，但摘要中的压缩性能增幅仍需结合指标定义、基线和计算开销核对。

1月1日周二
  1. 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。