GDeR: Safeguarding Efficiency, Balance, and Robustness via Prototypical Graph Pruning

💡 原文英文,约100词,阅读约需1分钟。
📝

内容提要

本研究提出了一种动态软剪枝方法GDeR,旨在解决不平衡或偏见数据模式下的性能下降问题。GDeR通过可训练的原型更新数据子集,显著提高了模型性能和训练速度,尤其在不平衡和噪声训练情境中表现优于其他剪枝方法。

🏷️

标签

➡️

继续阅读