本文介绍了一系列基于张量分解的神经网络压缩方法，这些方法在CIFAR-10数据集上显著降低了模型参数量，同时保持或提升了分类性能。主要方法包括贝叶斯张量化、Decomposable-Net和动态参数排除，展示了在卷积神经网络和循环神经网络中的应用潜力。

本文提出了一种高效的低秩CNN模型训练方案ELRT，通过低秩正则化实现模型压缩，实验证明其优于现有技术。同时介绍了TRP方法和Decomposable-Net压缩技术，均在图像分类任务中表现出色，提升了模型性能并减少存储需求。