DeepCQ：面向有损压缩质量预测的通用深度替代框架
机器学习
2025-12-29 v1 分布式、并行与集群计算
性能
摘要
受限于现代科学模拟和仪器生成数据的不断增长，有界有损压缩技术已成为科学数据管理和分析的关键。然而，评估压缩后数据质量仍然昂贵，由于指标计算的计算密集性。本文提出一种通用深度替代框架，用于有损压缩质量预测（DeepCQ），，其主要贡献包括：1）我们开发了一种可推广至不同有界有损压缩器、质量指标和输入数据集的压缩质量预测替代模型；2）我们采用一种新颖的两阶段设计，将计算密集的特征提取阶段与轻量级指标预测阶段解耦，实现高效训练和模块化推理；3）我们针对时间演化数据优化模型性能，使用混合专家设计。这种设计在预测跨模拟时间步的情况下尤其当训练和测试数据存在显著差异时，提高了鲁棒性。我们在四个真实世界的科学应用中验证了 DeepCQ 的有效性。我们的结果表明，该框架在大多数设置下的预测精度显著优于现有方法，预测误差通常在 10% 以下。该框架使科学用户能够根据其首选的数据质量做出数据压缩的明智决策，从而在科学数据分析中显著减少 I/O 和计算开销。
引用
@article{arxiv.2512.21433,
title = {DeepCQ: General-Purpose Deep-Surrogate Framework for Lossy Compression Quality Prediction},
author = {Khondoker Mirazul Mumenin and Robert Underwood and Dong Dai and Jinzhen Wang and Sheng Di and Zarija Lukić and Franck Cappello},
journal= {arXiv preprint arXiv:2512.21433},
year = {2025}
}