压缩结构张量代数

研究提出了TASDER框架，通过张量近似和结构分解方法，提升能耗延迟乘积83%至74%。

基于DST方法的N:M结构稀疏化学习方案具有高稀疏度，支持硬件加速，表现出良好的泛化性能和低推理时间。

CSTAR方法在目标深度神经网络模型上实现低秩紧凑性、高结构性和高对抗鲁棒性，性能优于现有结构修剪方法。

COSMA优化框架在专用硬件加速器上优化DNNs的操作调度和内存分配，减少数据访问超过85%。

可扩展张量网络(STN)通过数据驱动方法动态调整模型大小和分解结构，提升压缩性能和灵活性。

提出的并行算法在分布式内存上实现Tucker分解，保持数据准确性并提供详细的性能结果。

深度神经网络的加速和优化面临挑战，研究强调模型大小、准确性和推理时间之间的相互影响。

SASA结构感知稀疏注意机制通过top-k稀疏关注和基于抽象语法树的关注机制，降低计算成本并处理长代码。

基于低位移秩的结构化变换方法优化深度学习模型在移动设备上的部署，显著提高推理速度和轻量化程度。