Ares：通过高效稀疏化的近似表示——一种基于多项式同态的零状态方法
Ares: Approximate Representations via Efficient Sparsification -- A Stateless Approach through Polynomial Homomorphism
AI总结：
本文提出一种基于多项式同态的零状态压缩框架Ares，无需辅助数据即可实现高压缩比、可解释且可扩展的数据缩减，并支持压缩域直接代数运算，实验验证其保持重建精度。
摘要：
高维数据的日益普及要求高效且可扩展的压缩方法来支持现代应用。然而，现有的技术如PCA和自编码器往往依赖于辅助元数据或复杂的架构，限制了它们在流式或无限数据集上的实用性。在本文中，我们引入了一种零状态压缩框架，利用多项式表示来实现紧凑、可解释且可扩展的数据缩减。通过消除对辅助数据的需求，我们的方法支持在压缩域中进行直接的代数运算，同时最小化计算过程中的误差增长。通过在合成和真实世界数据集上的广泛实验，我们表明我们的方法在不影响重建精度的情况下实现了高压缩比，同时保持了简单性和可扩展性。
英文摘要：
The increasing prevalence of high-dimensional data demands efficient and scalable compression methods to support modern applications. However, existing techniques like PCA and Autoencoders often rely on auxiliary metadata or intricate architectures, limiting their practicality for streaming or infinite datasets. In this paper, we introduce a stateless compression framework that leverages polynomial representations to achieve compact, interpretable, and scalable data reduction. By eliminating the need for auxiliary data, our method supports direct algebraic operations in the compressed domain while minimizing error growth during computations. Through extensive experiments on synthetic and real-world datasets, we show that our approach achieves high compression ratios without compromising reconstruction accuracy, all while maintaining simplicity and scalability.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
