Компьютерные науки > Расчеты и язык [представлен 7 октября 2026 года] Название: Lossy Compresive Text Autoencoders View PDF HTML (экспериментальный) Резюме: Наша работа изучает изучение сжатого скрытого представления текста на пересечении между компрессией данных и обучением. Мы предлагаем архитектуру автоенкодера, которая осуществляет остаточное сокращение и расширение скрытой формы вдоль временной оси с остаточным дискретным узким местом с низким коэффициентом изменения. Мы анализируем наш подход к различным методам квантизации, целям обучения и наборам данных. Для различных уровней сжатия мы оцениваем сходство между первоначальным и восстановленным текстом как на поверхностном уровне (БНОУ), так и на семантическом уровне (судья, работающий на ЛЛМ). Кроме того, мы оцениваем наши модели в отношении контрольных показателей ответов на вопросы и семантичных текстов. Наш подход приводит к сжатым представлениям, которые совпадают с бесполезными текстовыми алгоритмы сжатия при 2,24 бита на байт в сетевых текстовых данных и одновременно обеспечивают хорошую реконструкцию и выполнение задач ниже по течению. Дополнительные ссылки и цитаты... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?) Код, данные и средства массовой информации, связанные с этой статьей альфаXiv (какая буквенная клавиатура?) Катализированный код для…
Проигрышные компрессивные текстовые кодеры
arXiv: 2610.10.10738v1 Аннонс Тип: новое резюме. Наша работа посвящена изучению сжатого скрытого представления текста на пересечении между компрессией данных и обучением их представлению. Мы предлагаем архитектуру автоенкодера, которая осуществляет остаточное сокращение и расширение скрытой формы вдоль временной оси с остаточным дискретным узким местом с низким коэффициентом изменения. Мы анализируем наш подход к различным методам квантизации, целям обучения и наборам данных. Для различных уровней сжатия мы оцениваем сходство между первоначальным и восстановленным текстом как на поверхностном уровне (БНОУ), так и на семантическом уровне (судья, работающий на ЛЛМ). Кроме того, мы оцениваем наши модели в отношении контрольных показателей ответов на вопросы и семантичных текстов. Наш подход приводит к сжатым представлениям, которые совпадают с бесполезными текстовыми алгоритмы сжатия при 2,24 бита на байт в сетевых текстовых данных и одновременно обеспечивают хорошую реконструкцию и выполнение задач ниже по течению.