تُجمع معظم البيانات تلقائيًا ولا تُرى أبدًا سوى من خلال الخوارزميات. ومع ذلك، تُحافظ ضواغط البيانات على الولاء الذهني (perceptual fidelity) بدلًا من مجرد الحفاظ على المعلومات الضرورية للخوارزميات التي تُنفّذ المهام التالية. في هذا البحث، نُوصِف معدل البتات اللازم لضمان أداء عالٍ في جميع المهام التنبؤية التي تظل ثابتة تحت مجموعة من التحويلات، مثل التحويلات التوسيعية للبيانات. واستنادًا إلى نظريتنا، نصمم أهدافًا غير مُراقبة لتدريب ضواغط عصبية. وباستخدام هذه الأهداف، نُدرّب ضاغطًا صور عامًا يحقق وفورات كبيرة في معدل البتات (أكثر من 1000 مرة على ImageNet) مقارنةً بـ JPEG على 8 مجموعات بيانات، دون تقليل أداء التصنيف في المهام التالية.