BriefGPT - AI 论文速递
·
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。
🎯
关键要点
-
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，有效采样具有代表性、平衡和无偏的子集。
-
该方法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。
-
实验结果表明，GDeR在多个数据集上均显著提升效果。
➡️
