【NeurIPS2024】GDeR: 通过原型图剪枝保障效率、平衡性与鲁棒性

文章预览

来源：专知 本文 约1000字 ，建议阅读 5 分钟 我们提出了一种新的动态软剪枝方法—— GDeR ，该方法通过可训练的原型在训练过程中动态更新训练“篮子”。 训练高质量的深度模型需要大量的数据，这会导致巨大的计算和内存需求。近年来，数据剪枝、蒸馏和核心集选择等方法被开发出来，以通过保留、合成或从完整数据集中选择一个小而信息丰富的子集来简化数据量。在这些方法中，数据剪枝带来的额外训练成本最低，并提供了最实际的加速效果。然而，它也是最脆弱的，往往在数据不平衡或数据模式偏差的情况下遭遇显著的性能下降，因此在设备端部署时，其准确性和可靠性引发了担忧。因此，迫切需要一种新的数据剪枝范式，既能保持现有方法的效率，又能确保平衡性和鲁棒性。与计算机视觉和自然语言处理领域中已开发出成熟的解决方案 ………………………………