본 논문은 급증하는 데이터 시대에 필수적인 무손실 압축 기술에 대해 다룹니다. 기존 범용 압축기인 gzip은 낮은 계산 오버헤드, 빠른 속도, 광범위한 데이터 분포 적용 가능성을 제공하지만, 데이터 분포를 효과적으로 모델링하기 위해 대규모 훈련 데이터를 활용하는 최신 신경망 압축기보다 압축률이 낮은 경우가 많습니다. 이러한 한계를 해결하기 위해, 본 논문은 Test-Time Steering via a Weighted Product of Experts (wPoE)를 수행하는 새로운 프레임워크를 제안합니다. 이 방법은 추론 시 범용 압축 모델과 사전 훈련된 신경망 언어 모델을 적응적으로 결합하여 압축률이 개별 모델 중 최고 이상이 되도록 보장합니다. 본 연구는 텍스트 압축 성능을 향상시키면서 미세 조정이 필요 없음을 입증했습니다. 또한, 모든 자기 회귀 언어 모델과 원활하게 통합되어 다양한 데이터 분포에서 텍스트 압축을 향상시키는 실용적인 솔루션을 제공합니다.
