ほとんどのデータは自動的に収集され、アルゴリズム以外には一切「見える」ことのない状態で扱われる。しかし、データ圧縮手法は、下流のタスクを実行するアルゴリズムに必要な情報だけでなく、人間の知覚的忠実性（perceptual fidelity）も維持する。本論文では、データ拡張などの変換群に対して不変なすべての予測タスクにおいて高精度を確保するために必要なビットレートを定量化する。この理論に基づき、ニューラル圧縮器の訓練に適した教師なし目的関数を設計した。これらの目的関数を用いて訓練された汎用的な画像圧縮器は、8つのデータセットにおいてJPEGと比較して、圧縮率が1000倍以上向上する一方で、下流の分類性能を低下させることなく、顕著なレート削減を実現した。