CURA：规模并非唯一关键——面向设备端的紧凑通用智能架构
机器学习
2025-09-30 v1 信号处理
摘要
现有的面向资源受限环境的设备端 AI 架构存在两个关键局限：其紧凑性不足，参数需求随任务复杂度比例增长；且通用性差，仅能在特定应用领域内有效工作（例如为回归任务设计的模型无法适用于自然语言处理（NLP）应用）。本文提出 CURA 架构，灵感来自类比音频信号处理电路，为跨多个领域的多样化机器学习任务提供紧凑轻量级解决方案。我们的架构相对于现有方法具有三个关键优势：（1）紧凑性：无论任务复杂度如何，所需参数显著减少；（2）通用性：可无缝适配回归、分类、复杂 NLP 和计算机视觉任务；（3）复杂模式识别：能够捕获复杂数据模式，同时保持极低的模型复杂度。我们在多样化数据集和领域对 CURA 进行了评估。对于紧凑性，CURA 采用最高可减少 2500 倍参数量的基线模型即可实现等效准确率。对于通用性，CURA 在四个 NLP 基准测试和一个计算机视觉数据集上表现一致，几乎匹配专用现有模型（F1 分数最高可达 90%）。最后，它在复杂模式预测中实现卓越的预测准确性，平均绝对误差低 1.6 倍，均方误差低 2.1 倍。
引用
@article{arxiv.2509.24601,
title = {CURA: Size Isnt All You Need -- A Compact Universal Architecture for On-Device Intelligence},
author = {Jae-Bum Seo and Muhammad Salman and Lismer Andres Caceres-Najarro},
journal= {arXiv preprint arXiv:2509.24601},
year = {2025}
}
备注
14 pages, 3 figures, 8 tables