知识嫁接：一种在资源受限环境中优化 AI 模型部署的机制
人工智能
2025-07-28 v1 机器学习
性能
摘要
人工智能（AI）的日益普及导致了更大、更复杂的模型，这些模型拥有大量参数，需要巨大的计算能力——而这些资源在许多实际应用场景中往往不可用。我们的论文通过引入知识嫁接（一种新颖的机制）来应对这一挑战，该机制通过将来自大型供体模型的选定特征（接穗）转移到较小的砧木模型，从而优化资源受限环境中的 AI 模型。该方法实现了模型大小 88.54% 的缩减（从 64.39 MB 降至 7.38 MB），同时提高了模型的泛化能力。我们的新砧木模型达到了 89.97% 的验证准确率（供体模型为 87.47%），保持了更低的验证损失（0.2976 对比 0.5068），并在未见过的测试数据上表现优异，准确率达到 90.45%。它解决了典型的大小与性能之间的权衡问题，并使得 AI 框架能够在资源受限的设备上以增强的性能进行部署。我们在一个农业杂草检测场景中测试了我们的方法，然而，它可以扩展到各种边缘计算场景，通过类似地模仿园艺嫁接在具有挑战性的农业环境中实现高产栽培的方式，有可能加速 AI 在硬件/软件支持有限的领域的应用。
引用
@article{arxiv.2507.19261,
title = {Knowledge Grafting: A Mechanism for Optimizing AI Model Deployment in Resource-Constrained Environments},
author = {Osama Almurshed and Ashish Kaushal and Asmail Muftah and Nitin Auluck and Omer Rana},
journal= {arXiv preprint arXiv:2507.19261},
year = {2025}
}
备注
18 pages, 4 figures, ArXiv preprint - Novel "knowledge grafting" technique achieving 88.54% AI model size reduction while improving accuracy for resource-constrained deployment