该研究探讨了通过结构化剪枝技术提高大型语言模型的压缩效果和推理速度。采用稀疏剪枝方法，实验表明可实现20倍的参数压缩而不损失性能。此外，提出了无标签数据的剪枝框架和新型BlockPruner方法，显著提升了模型的部署效率和任务性能。

本文介绍了一种基于张量分解的卷积层参数压缩方法，在CIFAR-10数据集上实现了80倍的网络压缩和1.1%的精度损失。研究表明，张量分解显著减少了模型大小和能耗，提升了神经网络在边缘设备上的应用效果。

深度神经网络中的隐式神经表示（INR）是一种前景数据压缩技术。提出了一种基于专家组混合理论的新型隐式神经压缩方法MoEC，通过自动分配INR给场景中的3D点，实现了与现有方法相比的最新研究成果。