GoogLeNet
PulseAugur coverage of GoogLeNet — every cluster mentioning GoogLeNet across labs, papers, and developer communities, ranked by signal.
-
InferNet利用GPU配置文件进行DNN架构推断
研究人员开发了InferNet，一种通过分析聚合GPU配置文件来推断深度神经网络（DNN）架构的新颖方法。该技术绕过了复杂、细粒度数据分析的需求，而是利用了GPU内核调用和内存事件等粗粒度系统级信息。InferNet能够准确预测通用架构家族和特定变体，在跨不同AI框架、DNN类型和硬件平台的评估中实现了100%的模型提取准确率。
-
新方法优化边缘设备上的深度神经网络，在精度损失极小的情况下降低延迟
研究人员开发了一种新的方法，用于优化边缘设备的深度神经网络架构，重点在于满足严格的延迟约束同时保持高精度。该方法利用了面向延迟的学习技术和硬件定制的延迟预测器，实现了单次训练过程。实验表明，在NVIDIA Jetson平台上，GoogLeNet和VGG-19等模型的延迟显著降低，而精度损失极小甚至有所提高。
-
块稀疏特征提取器捕获视觉概念流形
研究人员开发了块稀疏特征提取器（BSFs），它们可以更有效地捕获神经网络激活中视觉概念的几何结构。这些 BSF 将方向分组到块中，与一种生成模型对齐，在该模型中，表示是低维流形的稀疏和。研究表明，与基于方向的方法相比，BSF 更紧凑地描述了激活，识别出通常是二维到四维的概念。这些特征提取器已应用于重新解读 InceptionV1 上的先前工作，发现 DINOv3 中的阴影和光照等新流形，并通过流形引导实现对 SDXL 中图像生成的可解释控制。
-
新研究解释了深度神经网络为何能一致地学习特征
研究人员为一类特定的深度神经网络（DNN）——亚线性结构DNN——建立了特征学习一致性保证。这类网络以输入/输出维度和隐藏神经元数量随样本量亚线性增长为特征，即使在过参数化的情况下也能展现出一致的特征学习能力。实证研究表明，这些亚线性结构模型的性能与更宽的DNN相当或更优，并且结构分析显示，像AlexNet、VGGNet和ResNet这样的常见卷积神经网络都属于这一类别。
-
网络剪枝影响GoogLeNet的性能和可解释性
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。