매일, 약 3 억 3 천만 바이트의 데이터가 다양한 형태로 생성됩니다. 이 데이터는 비디오, 이미지, 음악, 게임, 스트리밍 컨텐츠 및 화상 통화 등 여러 가지 방법으로 공유됩니다.
DR. Texas A & M University의 전기 및 컴퓨터 공학과의 교수 및 부서장 Zixiang Xiong은 최근 A를 받았습니다.National Science Foundation새로운 기계 학습 방법이 현장에 스며 들었으므로 학습 소스 코딩 또는 기계 학습을 사용하는 데이터 압축의 기본 한계를 룰렛 프로그램하도록 허락했습니다.
이 프로젝트는 Xiong이 수행 한 30 년 이상의 룰렛 프로그램의 정점입니다. 1980 년대 후반부터 그는 데이터 압축 영역을 룰렛 프로그램하고 프로세스의 진화를 보았습니다.
우리는 엔지니어링 프로젝트를 시작하기 전에 항상 스스로에게 묻습니다.‘이론적 한계는 무엇입니까?’AI가 완전히 다르기 때문에 지금은 매우 근본적입니다. 이론적 한계를 모르기 때문에 현재 이론은 없습니다.
1990 년대에 이미지 파일을 성공적으로 공유하려면 파일을 텍스트로 변환하고 이미지로 다시 변환해야합니다. 플립 쪽이 이제 가능합니다.
“우리는 엔지니어링 프로젝트를 시작하기 전에 항상‘이론적 한계는 무엇입니까?’라고 Xiong은 말했습니다. “AI가 완전히 다르기 때문에 지금은 매우 근본적입니다.
이 프로젝트는 어떤 유형의 기계 학습 알고리즘이 데이터를 잘 압축 할 수 있는지, 압축을 잘 배우는 데 필요한 샘플 수를 이해하는 것을 목표로합니다. Xiong은 기계 학습을 활용하는 데이터 압축에 대한 근본적인 이해를 얻는 동안보다 강력한 압축 방법을 개발하기를 희망하여 모바일 장치의 무선 통신과 에너지 소비를 줄이려고합니다.
전통적인 압축 방법은 스마트 폰 이미지에 잘 알려진 JPEG 압축; 이것은 손실 압축 방법으로 일부 이미지 품질이 손실됩니다.
2020 년에 Xiong은 Amazon Prime Video와 함께 "딥 러닝 기반 확장 가능한 압축 프레임 워크"라는 제목의 프로젝트를 수행했는데, 이는이 새로운 프로젝트로 이어진 예비 작업이었습니다..
이 프로젝트의 공동 작업자 Anders Høst-Madsen 박사와 Mānoa의 하와이 대학교 교수 인 Narayana Santhanam 박사가 포함됩니다.