English(EN) Effective pruning of task-trained recurrent neural networks using noisy fluctuations and connection rescaling

新的生物学上可行的循环神经网络修剪规则得到验证

作者 PulseAugur 编辑部 · [2 个来源] · 2026-08-05 23:17

研究人员评估了一种新的、生物学上可行的循环神经网络修剪规则，称为“噪声修剪”。该方法使用噪声波动来确定连接的重要性，并已证明在保持训练网络中的任务性能方面是有效的。研究发现，噪声修剪的性能显著优于基于幅度的修剪，并可与使用二阶信息的策略相媲美，验证了其在功能性循环架构中的实用性。 AI

影响这项研究验证了一种优化神经网络效率的生物学上可行的方法，有望带来更强大、更类脑的AI架构。

排序理由该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种新的神经网络修剪方法。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Sanjith Senthil, Rishidev Chaudhuri · 2026-08-07 04:00

使用噪声波动和连接重缩放有效修剪任务训练的循环神经网络

arXiv:2608.05464v1 Announce Type: cross Abstract: The pruning of network connections is key to brain function but, despite its importance, there exist few biologically-plausible pruning rules with demonstrated good performance. In this work we evaluate noise-prune, a recently int…
arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Rishidev Chaudhuri · 2026-08-05 23:17

使用噪声波动和连接重缩放有效修剪任务训练的循环神经网络

The pruning of network connections is key to brain function but, despite its importance, there exist few biologically-plausible pruning rules with demonstrated good performance. In this work we evaluate noise-prune, a recently introduced unsupervised local pruning rule for recurr…