model compression
PulseAugur coverage of model compression — every cluster mentioning model compression across labs, papers, and developer communities, ranked by signal.
-
新研究探讨先进的边缘智能框架和优化
近期研究论文探讨了边缘智能的进展，重点关注将AI与边缘计算相结合。其中一篇论文介绍了聚类边缘智能（CEI），一个以智能为中心的框架，用于管理和共享分布式系统中的派生智能。另一篇论文研究了多模态边缘智能中压缩、专家混合（MoE）路由和量化之间的复杂交互，强调这些技术不能独立优化。此外，还在进行面向硬件的边缘智能系统设计研究，强调模型压缩和神经架构搜索。还提出了一个独立的框架EdgeFaaS，用于管理物联网、边缘和云的异构资源，以支持各种…
-
梯度泄露攻击威胁电路设计的GNN
一篇新的研究论文详细介绍了对用于电路设计和硬件安全的图神经网络（GNN）的梯度泄露攻击（GLA）的首次全面评估。研究表明，GLA可能暴露门类型和硬件木马属性等敏感信息，从而可能帮助对手。虽然GIN等一些GNN架构提供了更强的韧性，但GAT等其他架构可能会加剧泄露。现有的防御技术效果有限，并且可能降低模型性能，这表明需要更强大的隐私保护解决方案。
-
新的贝叶斯知识蒸馏框架增强模型压缩
研究人员推出了一种新颖的多教师贝叶斯知识蒸馏（MT-BKD）框架，旨在改进模型压缩和不确定性量化。该方法通过利用贝叶斯推理来捕捉固有的不确定性，使学生模型能够从多个教师模型中学习。MT-BKD 包含一个教师信息先验，该先验整合了外部知识，并使用基于熵的加权机制来适应性地调整每个教师的影响力，从而提高泛化能力和鲁棒性。
-
综述梳理动态神经网络在计算机视觉和传感器融合领域的应用
本综述论文全面概述了动态神经网络（DNNs），重点关注其在计算机视觉和多模态传感器融合中的应用。它解释了DNNs如何根据输入复杂性调整计算级别，与静态优化方法不同，从而解决了在嵌入式设备上部署大型模型所面临的挑战。该论文根据DNNs的自适应组件——输出、计算图或输入——对其进行分类，并强调了它们在传感器融合任务中的潜在优势，如提高自适应性和降低噪声。