손실 압축을 위한 손실 없는 예측

대부분의 데이터는 자동으로 수집되며, 알고리즘을 통해만 '확인'된다. 그러나 데이터 압축기는 하류 작업을 수행하는 알고리즘에 필요한 정보를 넘어서, 인지적 정확도(퍼셉추얼 피델리티)를 유지한다. 본 논문에서는 데이터 증강과 같은 변환군에 대해 불변(invariant)인 모든 예측 작업에서 높은 성능을 보장하기 위해 필요한 비트레이트를 특성화한다. 제안된 이론을 바탕으로, 신경 압축기 학습을 위한 비지도 목적함수를 설계하였다. 이러한 목적함수를 사용하여, 이미지넷을 포함한 8개의 데이터셋에서 JPEG 대비 압축률을 1000배 이상 향상시킨 일반화된 이미지 압축기를 학습하였으며, 하류 분류 성능에 손상을 주지 않고도 우수한 성능을 달성하였다.