基于损伤感知的Transformer剪枝方法
原文标题：Damage-Aware Bandit Pruning for Vision and Language Transformers
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究将语言和视觉Transformer的结构化剪枝建模为损伤感知的多臂老虎机问题，在固定评估预算下选择功能单元。配对损伤减少批次间差异，平滑有界奖励驱动UCB或分数Beta汤普森采样。实验覆盖多种模型，与随机、幅度等基线相比，老虎机方法通常减少性能下降，但效果并非仅由更大预算解释。
- 问题
- 结构化剪枝需在固定评估预算下选出抑制后损伤最小的功能单元。
- 方法
- 将单元选择建模为损伤感知多臂老虎机，用配对损伤降低批次波动，以UCB或分数Beta汤普森采样驱动选择。
- 结果
- 28项对比中23个bootstrap置信区间不含零、11个配对检验p<0.05，通常优于预算贪心。
- 影响
- 为剪枝提供更省评估预算的单元选择策略，但仅实现功能置零而非物理压缩或加速。
深读 · 结论先行AI 生成展开看要点与影响 ↓
将Transformer结构化剪枝建模为损伤感知多臂老虎机，28项对比中23项置信区间排除零。
- •注意力头和MLP通道组在校准批次上临时屏蔽，用配对损伤（屏蔽损失减基础损失）降低批次波动。
- •策略为UCB式或分数Beta汤普森采样，每步顺序加入一个单元构建最终掩码。
- •覆盖GPT-2、OPT、Pythia、Qwen2.5、SmolLM2、ViT-B/16、DeiT-Tiny、Swin-Tiny。
- •28项对比中23项bootstrap置信区间排除零，11项配对检验p<0.05，6项经BH校正后q<0.05。
- •作者说明效果是有效结构抑制，而非物理压缩或实测加速。
为什么重要：为固定评估预算下的剪枝单元选择提供了统计上更稳的方法，但读者需注意其未报告实际加速。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。