Formal verification and neural lossless compression

Información del proyecto

FVNLC

Identificador del acuerdo de subvención: 101065671

DOI

10.3030/101065671

Fecha de la firma de la CE 28 Octubre 2022

Fecha de inicio 1 Septiembre 2023

Fecha de finalización 31 Diciembre 2026

Financiado con arreglo a

• Marie Skłodowska-Curie Actions (MSCA)

Coste total

Sin datos

Aportación de la UE

€ 187 624,32

Coordinado por

UNIVERSITEIT VAN AMSTERDAM
Netherlands

Descripción del proyecto

Dos nuevos paradigmas de compresión

Existe un subcampo del aprendizaje automático que se ocupa de los algoritmos inspirados en el cerebro.Se trata del aprendizaje profundo, que cada vez se utiliza más como base para los sistemas de compresión de datos. Las redes neuronales forman parte del enfoque de aprendizaje profundo de la inteligencia artificial. El equipo del proyecto NNESCI, que cuenta con el apoyo de las Acciones Marie Skłodowska-Curie, analizará los algoritmos de compresión paralela para comprimir con eficacia enormes cantidades de datos. En concreto, el equipo del proyecto desarrollará dos nuevos paradigmas de compresión. El primero utilizará modelos generativos basados en convoluciones tridimensionales, aplicados a imágenes médicas. El segundo es la compresión de audio y vídeo mediante modelos de variables latentes de series temporales. En el proyecto también se diseñará un lenguaje específico para cada dominio.

Objetivo

Techniques based on neural networks (NNs), the study of which is often referred to as ‘deep learning’, have recently been shown to be extremely effective as a basis for data compression systems. I will develop the new field of ‘neural compression’, which has emerged around these ideas, focussing primarily on lossless compression in the two directions which I believe are most important:

Scale: NNs go hand in hand with parallel hardware, and I will investigate new parallel compression algorithms for efficiently compressing huge quantities of data. Specifically, I will develop two entirely new compression paradigms: Firstly, compression of volumetric images using generative models based on 3D convolutions, applied to medical imaging, where teleradiology and new cloud-based analysis make the need for efficient compression particularly acute. And secondly, compression of audio and video using time-series latent variable models, known as ‘state space models’, which offer uniquely efficient utilization of parallel hardware.

Systems: I will research, design and implement a domain specific language (DSL) for concisely expressing codecs which are guaranteed to be lossless by construction. Until now, implementations of compression systems always separate the implementation of the encoder from the decoder, and rely on an ad-hoc debugging and testing process to ensure that data are recovered correctly. During my PhD, I discovered that it is sometimes possible for a computer to automatically convert an encoder function into a decoder, and vice versa, potentially halving the amount of code. I will explore the limits, in terms of flexibility and efficiency, of this novel idea, using insights from ‘automatic differentiation’, a related functional transformation, on which I am a leading expert.

Palabras clave

• Learned data compression
• probabilistic generative models
• probabilistic machine learning
• lossless data compression

Programa(s)

• HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) PROGRAMA PRINCIPAL
  

Tema(s)

• HORIZON-MSCA-2021-PF-01-01 - MSCA Postdoctoral Fellowships 2021
  

Régimen de financiación

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Convocatoria de propuestas

HORIZON-MSCA-2021-PF-01

Coordinador

UNIVERSITEIT VAN AMSTERDAM

• Aportación neta de la UEn: € 187 624,32
• Dirección: SPUI 21 ; 1012WX Amsterdam ; Países Bajos
• Tipo de actividad: Higher or Secondary Education Establishments
• Coste total: Sin datos