English(EN) Sigma-Branch: Hierarchical Single-Path Network Reconstruction for Dynamic Inference with Reduced Active Parameters

Sigma-Branch 框架为边缘 AI 减少活动参数

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-10 04:00

研究人员推出了一种名为 Sigma-Branch (SigmaB) 的新颖框架，旨在优化内存受限的边缘设备的深度神经网络。SigmaB 将密集网络重构为具有共享骨干、路由器和专用叶子的分层树，从而实现动态推理。通过仅执行一条从根到叶的路径，这种方法显著减少了每次推理的活动参数数量，从而在不牺牲模型整体容量的情况下最大限度地减少了片外权重传输。 AI

影响每次推理的活动参数减少多达 60%，从而能够在内存有限的边缘设备上更有效地部署 AI。

排序理由该集群包含一篇详细介绍新神经网络优化框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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.AI TIER_1 English(EN) · Kohga Tanaka, Hiroaki Nishi · 2026-06-10 04:00

Sigma-Branch: Hierarchical Single-Path Network Reconstruction for Dynamic Inference with Reduced Active Parameters

arXiv:2606.09924v1 Announce Type: cross Abstract: Deploying deep neural networks on memory-constrained edge accelerators is bottlenecked by per-inference off-chip weight transfer rather than computation: the dense network cannot be retained on-chip, and every parameter must be lo…

报道来源 [1]

Sigma-Branch: Hierarchical Single-Path Network Reconstruction for Dynamic Inference with Reduced Active Parameters

相关实体

相关话题