PulseAugur
中
实时 10:58:43
English(EN) BnBERT-iPET: Sparse Few-Shot Language Modeling for Bengali via Lottery Ticket Pruning

孟加拉语稀疏少样本语言模型实现 90% 的稀疏度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 BnBERT-iPET，这是一种专门针对孟加拉语的稀疏少样本语言建模的新方法。该方法利用彩票 टिकट 修剪实现 90% 的稀疏度，显著降低了计算需求和内存占用。在孟加拉语下游任务上，该修剪后的模型在性能上可与 Bangla Electra 和 Indic-BERT 等大型最先进模型相媲美。 AI

影响 能够为资源受限的语言更有效地开发和部署自然语言处理模型。

排序理由 该集群包含一篇详细介绍自然语言处理新模型和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

孟加拉语稀疏少样本语言模型实现 90% 的稀疏度

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Sajib Hossain, Md Kamrus Samad, Anan Ghosh, Labib Imam Chowdhury, Nabeel Mohammed ·

    BnBERT-iPET: Sparse Few-Shot Language Modeling for Bengali via Lottery Ticket Pruning

    arXiv:2608.05104v1 Announce Type: new Abstract: Deep neural networks have shown impressive success in NLP tasks owing to their complex structure and huge number of edges. Achieving state-of-the-art performance in natural language processing with a large pre-trained model such as …

相关实体

相关话题