.png){kind=icon}
返回
DICOMP: Deep Reinforcement Learning for Integer Compression
.png){kind=icon}
OA
AI
DOI：10.1016/j.mlwa.2025.100756.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出DICOMP（Deep Reinforcement Learning for Integer Compression），一种采用深度强化学习（DRL）优化整数压缩的新方法。DICOMP是已知首个将强化学习专门应用于整数压缩的方法，填补了当前研究中的一个重要空白。与基于统计或字典技术的传统方法不同，DICOMP将压缩表述为一个序贯决策问题。其核心创新在于一个DRL智能体，该智能体探索各种数学运算以最小化整数的内存大小。所发现的最佳策略是将整数除以一组四个质因数，这有效地将其表示转换为紧凑的基-4编码。该过程实现了无损压缩且不依赖人工设计的策略。在多样化数据集上的实验表明，这种新策略可实现超过80%的压缩率，优于传统方法及其他基于学习的方法。尽管其具有基于学习的特性，但仍保持有竞争力的速度和解压效率，使其适用于资源受限环境。因此，DICOMP代表了智能、高效且灵活压缩技术的一项重大进展。
Keyword:
DICOMP
Integer compression
Deep Reinforcement Learning
CIRB
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
4.9
论文数:
140
被引数:
0
机构
引用论文
Data Compression Algorithms for Wireless Sensor Networks: A Review and Comparison.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Duggineni, S., 2023. Data integrity and risk. Open Journal of Optimization 12, 25–33. URL: https://doi.org/10.4236/ojop.2023.122003, doi:10.4236/ojop.2023.122003.Duggineni, S., 2023. 数据完整性与风险。开放优化杂志 12, 25–33. URL: https://doi.org/10.4236/ojop.2023.122003, doi:10.4236/ojop.2023.122003.
IF0
PREAI
分享收藏分享收藏Deep Reinforcement Learning for Efficient IoT Data Compression in Smart Railroad Management深度强化学习用于智能铁路管理中高效的物联网数据压缩
PREAI
分享收藏Cancer Registry Coding via Hybrid Neural Symbolic Systems in the Cross-Hospital SettingIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Live Data Analytics With Collaborative Edge and Cloud Processing in Wireless IoT NetworksIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容