ترجمه فارسی مقاله هرس شبکه عصبی مبتنی بر بزرگی مطمئن

چکیده

Pruning neural networks has proven to be a successful approach to increase the efficiency and reduce the memory storage of deep learning models without compromising performance. Previous literature has shown that it is possible to achieve a sizable reduction in the number of parameters of a deep neural network without deteriorating its predictive capacity in one-shot pruning regimes. Our work builds beyond this background in order to provide rigorous uncertainty quantification for pruning neural networks reliably, which has not been addressed to a great extent in previous literature focusing on pruning methods in computer vision settings. We leverage recent techniques on distribution-free uncertainty quantification to provide finite-sample statistical guarantees to compress deep neural networks, while maintaining high performance. Moreover, this work presents experiments in computer vision tasks to illustrate how uncertainty-aware pruning is a useful approach to deploy sparse neural networks safely.

چکیده به فارسی (ترجمه ماشینی)

هرس شبکه های عصبی یک رویکرد موفق برای افزایش کارآیی و کاهش حافظه از مدل های یادگیری عمیق بدون به خطر انداختن عملکرد است.ادبیات قبلی نشان داده است که می توان به کاهش قابل توجهی در تعداد پارامترهای یک شبکه عصبی عمیق بدون وخیم تر شدن ظرفیت پیش بینی آن در رژیم های هرس یک شات دست یافت.کار ما فراتر از این پیش زمینه ساخته شده است تا بتوانیم اندازه گیری عدم اطمینان دقیق برای هرس شبکه های عصبی را به طور قابل اعتماد ارائه دهیم ، که تا حد زیادی در ادبیات قبلی با تمرکز بر روشهای هرس در تنظیمات دید رایانه مورد توجه قرار نگرفته است.ما از تکنیک های اخیر در مورد کمیت عدم اطمینان بدون توزیع استفاده می کنیم تا ضمن حفظ عملکرد بالا ، ضمانت های آماری نمونه محدود را برای فشرده سازی شبکه های عصبی عمیق ارائه دهیم.علاوه بر این ، این کار آزمایشاتی را در وظایف دید رایانه ارائه می دهد تا نشان دهد که چگونه هرس عدم اطمینان یک رویکرد مفید برای استقرار ایمن شبکه های عصبی پراکنده است.