Fixed-rate entropy-coded vector quantization using linear (zero-one) programming
Notice bibliographique
Résumé
Consider two sets of points X, A and their n-fold cartesian products {A}/sup n/, {X}n. A non-negative cost is associated with each element of A. A measure of distance is defined between an element of A and an element of X. It is assumed that the cost and also the distance in the n-fold space has an additive property. The shaped set is composed of a subset of elements of {A}/sup n/ of the least cost. Decoding of an element x/spl isin/{X}/sup n/ is the process of finding the element of the shaped set which has the minimum distance to x. Using the additivity property of cost and distance measures, the decoding problem is formulated as a linear program. Using the generalized upper bounding technique of linear programming in conjunction with some special features of the problem, we present methods to substantially reduce the complexity of the corresponding simplex search. The proposed method is used for the fixed-rate entropy-coded vector quantization of a Gaussian source. For n=128 (space dimensionality) using 8 points per dimension and for a rate of 2.5 bits/dimension, we need about 52 additions, 87 comparisons, 0.2 divisions, and 0.4 multiplications per dimension to achieve SNR=13.31 dB (the bound obtained from the rate-distortion curve is 13.52 dB). This is substantially less complex than the traditional methods based on the dynamic programming.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».