Ares：通过高效稀疏化实现近似表示——一种基于多项式同态的无状态方法
机器学习
2024-12-17 v1
摘要
高维数据的日益普及需要高效且可扩展的压缩方法来支持现代应用。然而，PCA 和 Autoencoders 等现有技术通常依赖辅助元数据或复杂的架构，这限制了它们在流数据或无限数据集上的实用性。在本文中，我们引入了一种无状态压缩框架，该框架利用多项式表示来实现紧凑、可解释且可扩展的数据缩减。通过消除对辅助数据的需求，我们的方法支持在压缩域中进行直接代数运算，同时最小化计算过程中的误差增长。通过对合成数据集和真实世界数据集的广泛实验，我们表明我们的方法在不牺牲重构精度的情况下实现了高压缩比，同时保持了简单性与可扩展性。
引用
@article{arxiv.2412.10623,
title = {Ares: Approximate Representations via Efficient Sparsification -- A Stateless Approach through Polynomial Homomorphism},
author = {Dongfang Zhao},
journal= {arXiv preprint arXiv:2412.10623},
year = {2024}
}