Core Concepts
ターゲットのニューラルネットワーク構造を直接生成するデコーダーのみのハイパーネットワークを提案し、オフラインデータを必要とせずに単一のデータインスタンスから効率的に圧縮することができる。
Abstract
本論文では、ターゲットのニューラルネットワーク構造を直接生成するデコーダーのみのハイパーネットワークを提案している。従来のエンコーダー/デコーダー型のハイパーネットワークとは異なり、本手法ではオフラインデータを必要とせず、単一のデータインスタンスから効率的に圧縮することができる。
具体的には、低次元の潜在コードを使ってターゲットのニューラルネットワーク構造を直接生成する。この際、固定のランダムプロジェクションを用いることで、パラメータ数を大幅に削減できる。
実験では、画像圧縮とボクセル占有率表現の2つのタスクで評価を行っている。画像圧縮では、従来手法であるCOINやCOIN++を上回る性能を示した。一方、ボクセル占有率表現では、ポジショナルエンコーディングの効果により、ベースラインのMLPモデルと同等の性能となった。
本手法の特徴は、ターゲットのニューラルネットワーク構造を固定したまま、潜在コードの次元を変更することで、ビットレートを滑らかに制御できることである。これにより、ニューラルアーキテクチャサーチを行う必要がなくなる。
Stats
画像圧縮実験では、KODAK データセットの24枚の画像を使用した。
ボクセル占有率表現実験では、Thai Statue インスタンスを使用した。
両実験ともに、ターゲットのニューラルネットワークは(40, 9)の構造を使用した。