PulseAugur
中
实时 11:51:06
English(EN) Investigating the Effect of Network Pruning on Performance and Interpretability

网络剪枝影响GoogLeNet的性能和可解释性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员调查了网络剪枝如何影响GoogLeNet在ImageNet上的性能和可解释性。他们应用了各种剪枝技术和重新训练策略，发现通过充分的重新训练可以保持甚至提高性能。然而，他们使用机制可解释性分数（MIS）进行的实验并未显示剪枝率与可解释性之间存在明确的联系，这表明MIS可能并不总是与对模型决策的直观理解一致。 AI

影响 为优化深度学习模型的效率和理解其决策过程提供了见解。

排序理由 这是一篇研究论文，详细介绍了神经网络剪枝技术及其对性能和可解释性影响的实验。[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]

  1. arXiv cs.LG TIER_1 English(EN) · Jonathan von Rad, Florian Seuffert ·

    研究网络剪枝对性能和可解释性的影响

    arXiv:2409.19727v3 Announce Type: replace Abstract: Deep Neural Networks (DNNs) are often over-parameterized for their tasks and can be compressed quite drastically by removing weights, a process called pruning. We investigate the impact of different pruning techniques on the cla…

相关实体

相关话题