محققان در یک پژوهش جدید، راهکار هوشمندانهای برای کاهش حجم و هزینهی پردازشی مدلهای یادگیری عمیق (CNN) ارائه کردهاند. در این روش، با حذف نقشههای ویژگی (Feature-Maps) غیرضروری به شکلی که کمترین آسیب به دقت مدل وارد شود، میتوان مدلها را سبکتر و سریعتر کرد.
این تحقیق با استفاده از الگوریتمهای UCB1 و Thompson Sampling، موفق شده مدلها را بدون افت دقت چشمگیر، فشردهسازی کند که گامی مهم برای اجرای هوش مصنوعی روی دستگاههای با منابع محدود است. 🚀
منبع: arXiv AI