¿Cuál es la diferencia entre los métodos de compresión global y universal?

12

Entiendo que los métodos de compresión pueden dividirse en dos conjuntos principales:

  1. global
  2. local

El primer conjunto funciona independientemente de los datos que se procesan, es decir, no dependen de ninguna característica de los datos y, por lo tanto, no necesitan realizar ningún preprocesamiento en ninguna parte del conjunto de datos (antes de la compresión). Por otro lado, los métodos locales analizan los datos, extrayendo información que generalmente mejora la tasa de compresión.

Mientras leía acerca de algunos de estos métodos, noté que el método unario no es universal , lo que me sorprendió ya que pensé que "globalidad" y "universalidad" se referían a lo mismo. El método unario no se basa en las características de los datos para producir su codificación (es decir, es un método global) y, por lo tanto, debe ser global / universal, ¿no?

Mis preguntas principales

  • ¿Cuál es la diferencia entre los métodos universales y globales?
  • ¿No son estas clasificaciones sinónimos?
classification algorithms encoding Rubens
fuente
2
¿Puedes vincular a / referencia donde lees que el método unario no es universal? El contexto puede ayudar.
Aire
3
Yo ... no estoy seguro de cómo se relaciona esto con la ciencia de datos. Parece fuera de tema para este intercambio de pila. ¿Podría relacionar esto con la ciencia de datos?
Slater Victoroff
@SlaterTyranus Yo ... tampoco estoy seguro (y eso me hizo pensar en otras dos preguntas que publiqué). Mi idea era agregar esta pregunta, ya que los métodos de compresión se utilizan principalmente en la recuperación de información (principalmente durante la indexación). En general, considero que esto está relacionado con la eficiencia, y se puede poner en el área de habilidades de piratería de este diagrama de Venn . De todos modos, creo que sería bueno discutir si este tipo de pregunta es sobre el tema.
Rubens
@Rubens Eso parece una discusión razonable, en mi opinión, hablar de eficiencia encaja mucho más en algo como CS teórico que las habilidades explícitas de piratería . En mi opinión, las habilidades de pirateo están mucho más relacionadas con cosas como bases de datos, implementación y conocimiento de herramientas.
Slater Victoroff
1
@SvanBalen Dos puntos principales: 1. La teoría de la información es importante en algunos enfoques de la ciencia de datos, pero irrelevante en muchos otros. 2. Los fundamentos están intrínsecamente fuera de tema, hacer una pregunta detallada sobre estadísticas o álgebra lineal sería igualmente fuera de tema, aunque ambos son estrictamente necesarios para la ciencia de datos útil.
Slater Victoroff

Respuestas:

3

Considere la siguiente porción de datos:

1010010110100101

Universal : estos son algoritmos de compresión genéricos que son independientes de los datos. Una versión cruda de la codificación de longitud de ejecución entraría en esta categoría. La ventaja es que es muy rápido comprimir y descomprimir. La desventaja es que puede ser extremadamente ineficaz según los datos que se van a comprimir.

1111111111111111 -> 16 1 (caso de suerte)

1010010110100101 -> 1010010110100101 (caso desafortunado)

Local : este método consideraría segmentos más pequeños de una longitud fija, digamos 4, buscar patrones y comprimirlos. P.ej. Estos datos solo contienen estos dos tipos de patrones: 1010 y 0101. Estos patrones se pueden representar como 0s y 1s y los datos generales serán una tabla que representa los mapeos, y algo así como 0101. Esto tiene el potencial de resultar en mucho más pequeños. tamaño comprimido

1010010110100101 -> 1010 0101 1010 0101 -> 0101 (0 = 1010,1 = 0101)

Global : este método vería todos los datos y encontraría los patrones óptimos / mucho mejores para comprimir los datos. Los datos de ejemplo contienen solo un patrón 10100101 y lo representan como 00 junto con la tabla de mapeo. Esto tiene el potencial de obtener el tamaño comprimido más pequeño posible, pero también es computacionalmente el más pesado.

1010010110100101 -> 10100101 10100101 -> 00 (0 = 10100101)

doodhwala
fuente