返回
Projective Pruning for Decoupling Weights
DOI:10.1007/978-3-032-06106-5_19.png)
摘要
En 中文
本文提出了一种称为投影剪枝的结构化深度神经网络稀疏化技术,该技术通过移除高度相关的权重(因其对参数子空间的贡献极小)来实现模型压缩。由于深度神经网络中存在的参数冗余和高度相关权重导致的低效问题,该方法在保持模型高性能的同时实现了参数压缩。该技术引入了一种再分配机制以保持模型性能和表达能力。在多个视觉与语言基准测试(包括大型语言模型架构)上的评估表明,与大多数其他剪枝方法不同,投影剪枝能够在确保模型性能稳定的同时实现可靠的压缩。应用该方法可提升模型的可重训练性,并达到与现有结构化剪枝方法相媲美的结果。
Keyword:
Model compression
Structured pruning
Sparsification
期刊
机构
引用论文
A Survey on Deep Neural Network Pruning: Taxonomy, Comparison, Analysis, and Recommendations深度神经网络剪枝研究综述:分类、比较、分析与建议
A Review on Large Language Models: Architectures, Applications, Taxonomies, Open Issues and Challenges大型语言模型综述: 体系结构、应用、分类、开放问题和挑战
IEEE ACCESS
IF3.6

