近日，以206游艇会电气工程学院雒瑞森为独立通讯作者的科研论文：“Scalar Quantization as Sparse Least Square Optimization”被国际权威学术期刊《IEEE模式分析与机器智能汇刊》（IEEE Transactions on Pattern Analysis and Machine Intelligence）录用。论文的第一作者单位为206游艇会电气工程学院。
《IEEE Transactions on Pattern Analysis and Machine Intelligence》是人工智能、模式识别、图像处理、计算机视觉领域的顶尖国际期刊，其2018年度影响因子为17.73，5年影响因子（5-year Impact factor）为16.887，中科院一区期刊，属于JCR TOP期刊，2018谷歌学术影响力排名的期刊（计算机视觉和模式识别领域）中位列第一，CCF人工智能领域A类推荐期刊中影响因子排名第一。该期刊覆盖计算机视觉、图像理解、模式分析与识别等许多传统领域，以及部分机器智能领域，尤其强调模式分析机器学习的前沿成果。
矢量量化是一种重要的信号压缩方法，通过压缩接近原始值的组合来形成新的矢量，它能在可接受的信息损失前提下压缩数据，在语音识别、图像处理和机器学习等领域具有很大的实用性。近年来，由于发现矢量量化在降低神经网络的资源成本方面具有重要的效用，因此矢量量化受到了特别的重视。当前流行的矢量量化方法存在以下问题：对随机种子的依赖性，由于初始化不佳引起的类别无效，以及时耗高等。为了克服这些问题，该论文从一个新的角度，稀疏最小二乘优化，重新检视了传统的矢量量化方法。提出并实现了几种基于L1最小二乘的量化方法，以及基于L1+ L2和L0正则化的方案。此外，为了能进行指定类别数的矢量量化以方便工程应用，论文还基于稀疏最小二乘提出了迭代式的方法。最后，多种数据场景下的实验验证了所提出方法的性能和效率。该论文获得了国家自然科学基金项目和与成都市大公博创信息技术有限公司的校企合作项目的资助（Scalar Quantization as Sparse Least Square Optimization, Early Access,DOI: 10.1109/TPAMI.2019.2952096）。
