BriefGPT - AI 论文速递
·
GDeR：通过原型图剪枝保障效率、平衡性和鲁棒性
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出动态软剪枝方法GDeR，通过可训练的原型更新机制，采样出代表性、平衡和无偏的子集，提升模型性能和训练速度。实验显示，GDeR在不平衡和噪声环境中表现优于其他方法。
🎯
关键要点
-
本研究提出动态软剪枝方法GDeR，旨在解决数据剪枝方法在不平衡或偏见数据模式下性能下降的问题。
-
GDeR利用可训练的原型更新机制，在训练过程中有效采样具有代表性、平衡和无偏的子集。
-
该方法能够提升模型性能和训练速度。
-
实验结果表明，GDeR在多个数据集上表现优于其他剪枝方法，尤其是在不平衡和噪声训练情境中。
➡️
