实体
Snip
Snip
PulseAugur coverage of Snip — every cluster mentioning Snip across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的SNIP框架通过选择性节点剪枝改进无监督图域自适应
研究人员开发了一个名为源节点影响剪枝（SNIP）的新框架，以改进无监督图域自适应（UGDA）。SNIP通过选择性地利用源节点来解决UGDA中由结构差异大的源节点引起的负迁移问题。该框架使用中心性度量来量化结构差异，并分配影响分数来过滤不兼容的节点，从而创建一个更精炼的子源图以实现更好的对齐。实验表明，SNIP在各种数据集和迁移场景中始终优于现有方法。
-
新的剪枝方法在单个训练周期中创建稀疏神经网络
研究人员开发了一种在单个训练周期中创建稀疏神经网络的新方法，这比需要多个周期的现有技术有了显著改进。这种渐进式基于幅度的剪枝方法在训练过程中逐渐增加稀疏性，在各种架构和数据集上，与乐透假说（LTH）、SNIP 和 GraSP 等成熟方法相比，实现了具有竞争力的或更优的准确性。该方法表明，即使在极高的稀疏度水平下也能保持高准确性，为模型压缩提供了一种有效的替代方案。
-
研究质疑符号回归中的多模态对齐
一篇新的研究论文探讨了多模态学习技术，特别是SNIP模型，在符号回归领域的有效性。研究发现，虽然SNIP旨在对齐符号和数字编码器以进行优化，但其跨模态对齐过于粗糙，无法有效地指导搜索过程。这表明当前用于符号回归的多模态方法尚未充分发挥其潜力，细粒度对齐是未来发展的关键领域。