On Causal Inference for Data-free Structured Pruning
无数据结构化剪枝的因果推断视角AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要虽使用因果推断视角，但具体任务是神经网络压缩，尚不足以对应所列经济计量领域中的因果效应研究。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
无数据结构化剪枝的因果推断视角
- 研究问题
- 面对神经网络规模、计算量与能耗增加的问题，如何在无数据结构化剪枝中构造评分机制，以支持模型压缩和实际部署？
- 方法与思路
- 作者从因果推断视角出发，将最大熵扰动沿神经网络顺序传播，并测量扰动下的互信息，据此形成结构化剪枝评分。
- 材料陈述的贡献
- 摘要称在两个数据集和不同规模神经网络上展示了方法表现，并在具有挑战性的条件下获得竞争性结果，但未给出具体指标。
- 阅读关注点
- 应核对无数据设定允许使用的信息、扰动如何定义、互信息怎样估计，以及评分与因果解释之间的关系和剪枝比较方案。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明因果识别条件、网络配置和性能数值，竞争性表现不能外推到其他网络。
原文摘要
Neural networks (NNs) are making a large impact both on research and industry. Nevertheless, as NNs' accuracy increases, it is followed by an expansion in their size, required number of compute operations and energy consumption. Increase in resource consumption results in NNs' reduced adoption rate and real-world deployment impracticality. Therefore, NNs need to be compressed to make them available to a wider audience and at the same time decrease their runtime costs. In this work, we approach this challenge from a causal inference perspective, and we propose a scoring mechanism to facilitate structured pruning of NNs. The approach is based on measuring mutual information under a maximum entropy perturbation, sequentially propagated through the NN. We demonstrate the method's performance on two datasets and various NNs' sizes, and we show that our approach achieves competitive performance under challenging conditions.