English(EN) Adaptive Regularization for Sparsity Control in Bregman-Based Optimizers

新方法为深度神经网络稀疏性提供自适应控制

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-08 15:37

研究人员开发了一种自适应正则化方法，以更好地控制深度神经网络中的稀疏性，解决了传统 $\ell_1$ 惩罚会间接影响稀疏率的挑战。该新方案根据模型当前稀疏率与目标稀疏率之间的差异动态调整正则化参数。在说话人验证任务上的实验表明，与密集模型相比，自适应方法能够可靠地实现 75% 到 99% 之间的稀疏性目标，在早期训练中收敛更快，并保持了更好的分布外鲁棒性。 AI

影响通过对网络稀疏性进行精确控制，能够实现更高效的深度学习模型，有望降低计算成本并提高性能。

排序理由该集群包含一篇学术论文，详细介绍了一种控制深度神经网络稀疏性的新方法。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Daniel Tenbrinck · 2026-05-08 15:37

Adaptive Regularization for Sparsity Control in Bregman-Based Optimizers

Sparse training reduces the memory and computational costs of deep neural networks. However, sparse optimization methods, e.g., those adding an $\ell_1$ penalty, often control sparsity only indirectly through a regularization parameter $λ$, whose mapping to the final sparsity rat…

报道来源 [1]

Adaptive Regularization for Sparsity Control in Bregman-Based Optimizers

相关实体

相关话题