本研究提出了一种基于条件互信息的结构化滤波器修剪方法，旨在解决深度卷积神经网络在资源有限硬件上的部署问题。该方法有效减少模型大小，且准确率几乎不变。在CIFAR-10数据集上，VGG16的滤波器数量减少超过三分之一，准确率仅下降0.32%。

本研究针对高维数据分布学习中的树结构问题，提出了一种有效算法并提供理论支持。设计的条件互信息测试器能够高效判断高斯随机变量的独立性，结果表明该算法在样本需求上接近最优，对高斯树模型学习有显著影响。

本研究提出了一种新颖的信息论泛化界限，利用条件 $f$-信息框架，克服了传统条件互信息的局限性。实验结果表明，该新界限在有界和无界损失函数下均优于以往基于互信息的界限。