Confronto tra la Compressione con Quantizzazione, Machine Learning con reti lineari e Machine Learning con reti non lineari

In questa tesi viene affrontato il tema della compressione dati con perdite, effettuata attraverso l’algoritmo di Linde-Buzo-Gray (LBG) e l’autoencoder (AE). I due metodi sono prima stati analizzati analiticamente in termini di efficienza di compressione, complessità computazionale e occupazione di memoria. In seguito, i due metodi sono stati testati su due dataset, per andare a valutare la qualità della compressione e le regioni di decisione create. È emerso che, a parità di bit usati per la compressione, l’autoencoder effettua una ricostruzione equivalente o migliore dell’algoritmo LBG, risultando vantaggioso anche in termini di occupazione di memoria e complessità computazionale. Si nota inoltre che, nonostante la componente di non linearità introdotta dal quantizzatore, in generale un autoencoder lineare riesce ad ottenere una qualità di compressione equivalente a quella di autoencoder non lineari.