pruning strategies | BriefGPT

关键词pruning strategies

搜索结果 - 8

KDD基于序列数据的快速实用程序挖掘算法 HUSP-SP
通过引入紧凑的序列投影结构 (seqPro)，设计了一种高效算法 HUSP-SP 以解决高效用途的序列模式挖掘 (HUSPM) 中的时间和内存消耗问题，并采用新的上限值和剪枝策略来提高挖掘性能。
PDF2 years ago
关联序列规则研究
该研究提出了一种称作相关高效序列规则挖掘器（CoUSR）的新算法，它融合了关联性概念到高效序列规则挖掘器（HUSRM）中，采用效用列表结构来避免多次数据库扫描，并使用多个修剪策略来提高算法效率和性能。实验结果表明，CoUSR 在计算时间和内
PDF2 years ago
利用相关度量进行项集效用最大化
本研究提出一种名为 CoIUM 的新算法，采用了数据库投影机制来减少数据库扫描成本，并利用两个上界和四种修剪策略，以有效修剪搜索空间，使用线性时间和空间计算和存储采用的上限，大量实验结果表明 CoIUM 在运行时间和内存消耗方面显著优于现有
PDF2 years ago
ICML零阶拓扑洞察迭代幅值裁剪
本文通过利用 persistent homology 的概念，阐明了 Iterative Magnitude Pruning 内在地鼓励保留神经网络拓扑信息的特性，并提出了一种改进的版本以完美保留零阶拓扑特征。
PDF2 years ago
面向目标的序列规则
本文提出了一种高效算法（TaSRM）进行目标时序规则挖掘，并结合实验结果分析了它与现有算法在运行时间、内存消耗、可扩展性以及不同查询规则下的表现，证明了其比基线算法更具实验性能。
PDF2 years ago
TaSPM: 目标序列模式挖掘
提出了一个基于快速 CM-SPAM 算法的通用框架 TaSPM，旨在解决有目标序列的顺序模式挖掘问题，并通过设计四种修剪策略提高其在大规模数据集和多项基序列数据集上的效率。大量实验证明，TaSPM 算法可以实现更快的运行时间和更少的内存消耗
PDF2 years ago
随机梯度下降中的重尾以及过度参数化神经网络的可压缩性
本研究揭示了训练算法的动态特性在实现神经网络压缩方案上起着关键作用，通过将压缩性与随机梯度下降的近期性质联系起来，本文证明了当神经网络遵循一定条件时，网络参数具有稀疏性，并且压缩误差可以任意减小，同时可证明良好的压缩性可降低泛化误差，该理论
PDF3 years ago
基于个性化阈值的多序列效用挖掘
该研究设计了一种新的实用性挖掘框架，名为 USPT，旨在通过个性化阈值跨多个序列挖掘高效能序列模式，并开发了几个修剪策略以提高效率。
PDF5 years ago