速報
PSAP 剪枝法：讓同態加密神經網路更可靠，旋轉運算減少 45%
一項新研究提出了一種名為 PSAP（Polynomial-Sensitivity-Aware Pruning）的結構化剪枝方法，旨在提升同態加密（HE）下神經網路推論的可靠性。
結構化剪枝
深度分析
透過 Squeeze‑Release 及最小化實現模型壓縮：從非結構化剪枝到密集小模型
研究背景指出傳統非結構化剪枝雖能產生稀疏權重，但模型尺寸未縮小。Squeeze‑Release 透過最小化將遮罩網路重寫為更小的密集網路，並在壓縮後以校準噪聲釋放被禁用的參數，讓多輪迭代得以進一步削減結構冗餘。實驗證實在全連接模型與現代 CNN 上分別達到39倍與14.8倍的壓縮率，且精度幾無損失。
3D Gaussian Splatting
GETA-3DGS：自動化結構化剪枝與混合精度量化以壓縮 3D Gaussian Splatting
3DGaussianSplatting佔用大量儲存空間，研究提出GETA-3DGS以自動化聯合結構剪枝與混合精度量化，並引入渲染感知重要度與屬性分層量化策略。實驗於多項資料集顯示可約五倍壓縮且維持高品質。論文指出位元寬度分配為主導因子，異質化配置優於統一6位上限。