Zespół badaczy przedstawił nową metodę ECASQ (Entropy Constrained Adaptive Stochastic Quantization), która usprawnia kompresję danych w uczeniu maszynowym poprzez optymalizację kwantyzacji pod kątem późniejszego kodowania entropijnego. Podejście to łączy adaptacyjną kwantyzację stochastyczną - technikę do niedawna wprowadzoną dla zmniejszenia błędu średniokwadratowego - z realnym warunkiem, że skwantyzowane dane będą dalej kompresowane za pomocą koderów bezstratnych.
Istniejące metody takie jak zwykła adaptacyjna kwantyzacja stochastyczna wybierają wartości kwantyzacji bez myślenia o tym, co stanie się później, gdy dane przejdą przez koder entropijny. To podejście zostawia na stole dodatkową dokładność. Nowe sformułowanie ECASQ wspólnie optymalizuje wartości kwantyzacji, aby minimalizować MSE pod budżetem entropii i zachowywać nieobciążoność. Autorzy dostarczyli optymalny algorytm dynamiczny o złożoności O(sd2) czasowej i O(d2) przestrzeni dla wektora długości d i co najwyżej s wartości kwantyzacji.
Dla praktycznych zastosowań opracowali też przybliżony algorytm dynamiczny przyjazny dla GPU-ów o złożoności O(sd2) czasowej ale tylko O(d) przestrzeni. Przybliżenie gwarantuje, że wynik ma MSE nie większy niż optymalne rozwiązanie używające o jeden bit entropii mniej na wpis. Iteracyjna procedura ulepszania przybliżonego rozwiązania w eksperymentach dała wyniki bliskie optymalnym przy znacznie szybszym działaniu niż pełny solver.