研究提出I&P方法，结合主动学习与剪枝
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究人员提出Improve & Prune (I&P)方法，将幅度剪枝集成到主动学习的重训练循环中。该方法在多种架构和数据集上的实验显示，能在高达95%的稀疏度下保持与密集模型相当的精度。这种结合使得在主动学习流程中免费获得可部署的稀疏模型成为可能，有助于解决深度主动学习在大规模架构和未标记数据池应用中的计算瓶颈。
为什么值得看
以零额外计算成本在主动学习中获得稀疏模型，大幅降低推理与计算开销。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。