OrderDP: Marco de poda dinámica de datos sin pérdida con garantía teórica
OrderDP ofrece poda dinámica de datos sin pérdida con garantía teórica, reduciendo el coste de entrenamiento en más del 40% sin sacrificar precisión. Descubre cómo.
#poda
Más allá de los FLOPs: Evaluación de la aceleración real del pruning de LLM con taxonomía GEMM
Nueva taxonomía GEMM revela los límites prácticos del pruning en LLM. La poda estática y dinámica dominan según la pérdida de calidad. Resultados clave para acelerar inferencia.
BUDDY: Enrutamiento Dinámico Basado en Presupuesto para Inferencia de LLMs
Descubre cómo BUDDY reduce costes en inferencia de LLMs mediante enrutamiento dinámico por presupuesto, adaptándose al contexto en tiempo real.
Enmascaramiento Espacial por Energía: Robustez e Interpretabilidad en Visión
Descubre cómo ERSM mejora la robustez e interpretabilidad de modelos de visión al reducir redundancias y aislar objetos.
Poda de subespacios de Koopman en espacios de kernel con vectores principales
Descubre cómo podar subespacios de Koopman en RKHS usando vectores principales para mejorar la precisión predictiva en sistemas dinámicos con grandes datos.
DyCP: Podado Dinámico de Contexto para Diálogos Extensos con LLMs
DyCP poda dinámicamente el contexto en diálogos extensos con LLMs, reduciendo costes de inferencia sin perder precisión. Optimiza tus modelos.
Hyperflux: La poda revela la importancia
Descubre Hyperflux, un método de poda que revela la importancia de cada peso mediante flujo y presión. Reduce latencia y energía manteniendo precisión.
RAPID: poda y fusión de tokens adaptativa por capas para ViT
RAPID reduce costos en Vision Transformers combinando poda por capas y fusión de tokens. Hasta 4.29% más precisión en compresión extrema.
CAPruner: Podador de Grafos de Escena para Razonamiento Espacial 3D en LLMs
CAPruner optimiza la poda de grafos de escena para potenciar el razonamiento espacial 3D de LLMs, reduciendo costos y mejorando precisión.
Poda estructurada de neuronas en redes profundas usando bandidos multibrazo
Descubre cómo la poda estructurada de neuronas con algoritmos de bandidos multibrazo reduce modelos de deep learning eliminando unidades redundantes, mejorando eficiencia sin perder precisión.
Búsqueda bidireccional para caminos más largos: heurísticas front-to-front
Descubre BiXDFBnB: algoritmo bidireccional con heurísticas front-to-front que reduce expansiones de nodos. Mejora rutas largas en LSP, Snakes y Coil-in-the-Box.
Compresión eficiente de datasets: unificando poda y destilación
Descubre cómo PCA unifica poda y destilación de datasets para compresión eficiente sin etiquetas suaves. Mejora almacenamiento y entrenamiento.
Muestreo Adaptativo Restringido por Rechazo (CARS)
Descubre CARS, un método que mejora el muestreo por rechazo en modelos de lenguaje para generar textos válidos y diversos sin distorsionar la distribución. Más eficiencia y calidad.
SFMambaNet: Frecuencia Espectral para Poda de Correspondencias
SFMambaNet integra frecuencia espectral y Mamba para poda de correspondencias, superando a métodos GNN con eficiencia lineal. ¡Descúbrelo!
PrimeSVT: Poda Automática con Memoria para Transformers de Visión Spiking
Descubre cómo PrimeSVT automatiza la poda de Transformers de Visión Spiking, reduciendo memoria un 26.68% con mínima pérdida de precisión. Optimiza tus modelos.
Cuando la atención colapsa: poda de tokens visuales de estructura a semántica
Descubre cómo el marco STS evita el colapso de atención en VLMs, mejorando la diversidad estructural y la relevancia semántica de tokens visuales.
MLSkip: Omitir datos para filtros de ML mediante metadatos ligeros
MLSkip usa metadatos ligeros para optimizar filtros ML en bases de datos. Logra aceleración hasta 1.07x en DuckDB. ¡Mejora el rendimiento de tus consultas!
Poda de redes neuronales profundas mediante la distribución de Marchenko-Pastur
Poda de redes profundas con distribución Marchenko-Pastur: precisión mantenida con mínimo ajuste fino. Resultados en ImageNet con ViT y CNNs.
PSViT: Metodología de poda estructural para Spiking Vision Transformers
Aprende cómo PSViT comprime SViT con poda estructural: 22% menos memoria y alta precisión.
Poda de redes neuronales post-entrenamiento con curvatura de grafos
Descubre cómo la curvatura de grafos permite podar redes neuronales sin perder precisión. Técnica innovadora basada en Ollivier-Ricci para identificar conexiones clave.