Deep Dict：基于深度学习的物联网数据有损时间序列压缩器
信号处理
2024-01-22 v1 信息论
机器学习
math.IT
摘要
我们提出了Deep Dict，一种基于深度学习的有损时间序列压缩器，旨在实现高压缩比的同时将解压误差保持在预定义范围内。Deep Dict包含两个基本组件：伯努利Transformer自编码器（BTAE）和失真约束。BTAE从时间序列数据中提取伯努利表示，与传统的自编码器相比减小了表示的尺寸。失真约束将BTAE的预测误差限制在期望范围内。此外，为了解决L1/L2等常见回归损失的局限性，我们引入了一种名为量化熵损失（QEL）的新损失函数。QEL考虑了问题的具体特性，增强了对异常值的鲁棒性并缓解了优化挑战。我们在来自不同领域的十个不同时间序列数据集上对Deep Dict进行了评估，结果表明Deep Dict在压缩比方面显著优于SOTA有损压缩器，最高提升达53.66%。
引用
@article{arxiv.2401.10396,
title = {Deep Dict: Deep Learning-based Lossy Time Series Compressor for IoT Data},
author = {Jinxin Liu and Petar Djukic and Michel Kulhandjian and Burak Kantarci},
journal= {arXiv preprint arXiv:2401.10396},
year = {2024}
}
备注
6 pages, 13 figures, IEEE International Conference on Communications (ICC) 2024