Wetenschappers hebben een methode ontwikkeld waarmee algoritmen voor verliesvrije datacompressie direct kunnen worden getransformeerd tot systemen voor machine learning. Deze benadering blijkt in bepaalde scenario's, zoals de analyse van malware, concurrerend te zijn met traditionele AI-modellen.
In het wetenschappelijke artikel "An Introduction to Compression-Based Machine Learning", ingediend op 18 september 2026, leggen auteurs John Hurwitz, Edward Raff en Charles K. Nicholas de wisselwerking tussen compressie en kunstmatige intelligentie uit. Volgens de arxiv.org kan elk algoritme voor verliesvrije compressie, zoals gzip, worden omgezet in een machine learning-methode. De onderzoekers baseren deze conversie op twee kernprincipes: de Normalized Compression Distance en het Minimum Description Length-principe.
De studie beschrijft een circulaire afhankelijkheid waarbij ook de omgekeerde weg mogelijk is: elk auto-regressief model kan via entropiecodering worden getransformeerd tot een methode voor verliesvrije compressie. Door een specifiek ontwerpframe te introduceren en te valideren, konden de auteurs aantonen dat deze methoden effectief zijn. De resultaten laten zien dat compressiegebaseerde modellen "beslissend sterker" presteren bij het detecteren van malware, waarbij bepaalde ontwerpkeuzes een winst in nauwkeurigheid tot 0,62 opleveren. Het werk is geselecteerd voor de 13e IEEE International Conference on Data Science and Advanced Analytics (DSAA 2026).
Deze theoretische doorbraak past in een breder landschap van AI-onderzoek waarbij diverse specialisaties samenkomen. Zo wordt aan de KU Leuven gewerkt aan uiteenlopende projecten, van automatische audiobeschrijvingen voor televisie tot het toepassen van Graph Neural Networks binnen de beeldvormende genetica, zoals vermeld in de kuleuven.be.
Naast de theoretische koppeling met machine learning is datacompressie van cruciaal belang in praktische, technische omgevingen. Een voorbeeld hiervan is de ruimtevaarttechnologie, waar efficiënte datareductie essentieel is. Professor Xavier Neyt was onder andere verantwoordelijk voor de ontwikkeling van de beeldcompressiemodule voor de Europese MSG-satelliet, wat de praktische waarde van deze technologie onderstreept volgens zijn ac.be.
Parallel aan deze ontwikkelingen blijft de focus op taalverwerking en AI groeien. Tijdens de ac.be stonden thema's zoals de eerlijkheid van tokenizers en AI-actieplannen voor de Nederlandse taal centraal. Dit illustreert hoe data-analyse en AI-ontwikkelingen zich over verschillende domeinen verspreiden, van linguïstiek tot cybersecurity.
Het onderzoek van Hurwitz en zijn collega's suggereert dat een terugkeer naar de fundamentele principes van compressie nieuwe mogelijkheden biedt om de efficiëntie en precisie van machine learning-modellen te verhogen, vooral bij het herkennen van complexe patronen in data.