神經網路壓縮

深度分析

「ε‑FDE」功能聚合式神經網路壓縮：近似前向微分等價新方法降低60%參數

隨著深度模型規模持續擴大，壓縮成為關鍵挑戰。本研究提出以近似前向微分等價為基礎的神經網路聚合方法，透過單一容差參數ε將功能相似的神經元合併，實現高達六成以上的參數削減，同時保持預測精度。實驗在合成動力系統與四個公開回歸基準上驗證，效果優於傳統幅度剪枝與Wanda，顯示此差分等價聚合是可行的替代路徑。