基于图嵌入搜索的结构感知自动通道剪枝
人工智能
2025-06-16 v1
摘要
通道剪枝是一种强大的技术，用于降低深度神经网络的计算开销，使其能够在资源受限的设备上高效部署。然而，现有的剪枝方法通常依赖局部启发式或基于权重的准则，无法捕捉网络内的全局结构依赖，导致次优的剪枝决策和模型性能下降。为解决这些局限性，我们提出了一种新颖的结构感知自动通道剪枝（SACP）框架，利用图卷积网络（GCN）来建模网络拓扑并学习每个通道的全局重要性。通过编码网络内的结构关系，我们的方法实现了拓扑感知剪枝，且该剪枝完全自动化，减少了对人工干预的需求。我们将剪枝率组合限制在特定空间中，该空间中的组合数量可动态调整，并采用基于搜索的方法来确定最优剪枝率组合。在基准数据集（CIFAR-10、ImageNet）上使用多种模型（ResNet、VGG16）进行的广泛实验表明，SACP在压缩效率上优于最先进的剪枝方法，在准确率保持方面也具有竞争力。
引用
@article{arxiv.2506.11469,
title = {Structure-Aware Automatic Channel Pruning by Searching with Graph Embedding},
author = {Zifan Liu and Yuan Cao and Yanwei Yu and Heng Qi and Jie Gui},
journal= {arXiv preprint arXiv:2506.11469},
year = {2025}
}
备注
12 pages, 2 figures