On the Design of Symmetric Entropy-constrained Multiple Description Scalar Quantizer with Linear Joint Decoders
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper addresses the design of symmetric entropy-constrained multiple description scalar quantizers (EC-MDSQ) with linear joint decoders, i.e., where some of the decoders compute the reconstruction by averaging the reconstructions of individual descriptions. Thus, the use of linear decoders reduces the space complexity at the decoder since only a subset of the codebooks needs to be stored. The proposed design algorithm locally minimizes the Lagrangian, which is a weighted sum of the expected distortion and of the side quantizers' rates. The algorithm is inspired by the EC-MDSQ design algorithm proposed by Vaishampayan and Domaszewicz, and it is adapted from two to K descriptions. Differently from the aforementioned work, the optimization of the reconstruction values can no longer be performed separately at the decoder optimization step. Interestingly, we show that the problem is a convex quadratic optimization problem, which can be efficiently solved. Moreover, the generalization of the encoder optimization step from two to K descriptions increases drastically the amount of computations. We show how to exploit the special form of the cost function conferred by the linear joint decoders to significantly reduce the time complexity at this step. We compare the performance of the proposed design with multiple description lattice vector quantizers (MDLVQ) and with the multiple description scheme based on successive refinement and unequal erasure protection (UEP). Our experiments show that the proposed approach outperforms MDLVQ with dimension 1 quantization, as expected. Additionally, when more codebooks are added our scheme even beats MDLVQ with quantization dimension approaching ∞, for rates sufficiently high. Furthermore, the proposed approach is also superior to UEP with dimension 1 quantization when the rates are low.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle