研究人员开发了SoU-RHS,这是一种新颖的贝叶斯结构化稀疏性程序,旨在从大型卷积神经网络(CNN)中恢复紧凑型架构。该方法通过引入不确定性稀疏全局-局部源(SoU-SGL)机制来增强正则化马蹄收缩(RHS)技术,该机制能有效区分激活和非激活的滤波器。SoU-RHS通过在各种初始模型宽度和剪枝阈值下持续识别相似的紧凑结构来展示稳定性,表明它能适应数据,而不仅仅是压缩单个模型。在图像分类基准测试中,SoU-RHS产生的架构比现有方法显著更小,同时保持了具有竞争力的准确性,并在负对数似然和预期校准误差方面有所改进。 AI
影响 该方法可以通过减小CNN的尺寸同时保持性能,从而实现更高效的部署。
排序理由 该集群包含一篇研究论文,详细介绍了一种新的CNN架构恢复方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Bayesian Structured Sparsity
- CNNs
- DagsHub
- Hugging Face
- IArxiv
- Rafael Mouallem Rosa
- Regularized Horseshoe Shrinkage
- Sources of Uncertainty Sparse Global-Local mechanism
- SoU-RHS
- SoU-SGL
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →