論文の概要: Learning Low-Rank Representations for Model Compression
- arxiv url: http://arxiv.org/abs/2211.11397v1
- Date: Mon, 21 Nov 2022 12:15:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 21:08:37.712523
- Title: Learning Low-Rank Representations for Model Compression
- Title（参考訳）: モデル圧縮のための低ランク表現の学習
- Authors: Zezhou Zhu, Yucong Zhou, Zhao Zhong
- Abstract要約: 本稿では,従来のVQアルゴリズムを様々なタスクやアーキテクチャで上回る低ランク表現ベクトル量子化(textLR2textVQ$)手法を提案する。
本手法では,圧縮率を直接$m$で制御することができ,最終的な精度は$tilded$で決定される。
適切な$tilded$で、ImageNet分類データセット上でResNet-18/ResNet-50で$textLR2textVQ$を評価します。
- 参考スコア（独自算出の注目度）: 6.721845345130468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vector Quantization (VQ) is an appealing model compression method to obtain a
tiny model with less accuracy loss. While methods to obtain better codebooks
and codes under fixed clustering dimensionality have been extensively studied,
optimizations of the vectors in favour of clustering performance are not
carefully considered, especially via the reduction of vector dimensionality.
This paper reports our recent progress on the combination of dimensionality
compression and vector quantization, proposing a Low-Rank Representation Vector
Quantization ($\text{LR}^2\text{VQ}$) method that outperforms previous VQ
algorithms in various tasks and architectures. $\text{LR}^2\text{VQ}$ joins
low-rank representation with subvector clustering to construct a new kind of
building block that is directly optimized through end-to-end training over the
task loss. Our proposed design pattern introduces three hyper-parameters, the
number of clusters $k$, the size of subvectors $m$ and the clustering
dimensionality $\tilde{d}$. In our method, the compression ratio could be
directly controlled by $m$, and the final accuracy is solely determined by
$\tilde{d}$. We recognize $\tilde{d}$ as a trade-off between low-rank
approximation error and clustering error and carry out both theoretical
analysis and experimental observations that empower the estimation of the
proper $\tilde{d}$ before fine-tunning. With a proper $\tilde{d}$, we evaluate
$\text{LR}^2\text{VQ}$ with ResNet-18/ResNet-50 on ImageNet classification
datasets, achieving 2.8\%/1.0\% top-1 accuracy improvements over the current
state-of-the-art VQ-based compression algorithms with 43$\times$/31$\times$
compression factor.
- Abstract（参考訳）: ベクトル量子化(VQ)は、精度の低い小さなモデルを得るための魅力的なモデル圧縮法である。
固定クラスタリング次元の下でより優れたコードブックとコードを得る方法が広く研究されているが、特にベクトル次元の減少により、クラスタリング性能を優先するベクトルの最適化は慎重に検討されていない。
本稿では, 次元圧縮とベクトル量子化の組み合わせに関する最近の進歩を報告し, 様々なタスクやアーキテクチャにおいて, 従来のvqアルゴリズムを上回る低ランク表現ベクトル量子化 (\text{lr}^2\text{vq}$) 法を提案する。
$\text{LR}^2\text{VQ}$は、サブベクタクラスタリングとローランク表現を結合して、タスク損失に対してエンドツーエンドのトレーニングを通じて直接最適化された新しいタイプのビルディングブロックを構築する。
提案した設計パターンでは,3つのハイパーパラメータ,クラスタ数$k$,サブベクタのサイズ$m$,クラスタリング次元$\tilde{d}$を導入している。
この方法では圧縮比を直接$m$で制御することができ、最終的な精度は$\tilde{d}$で決定される。
我々は、低ランク近似誤差とクラスタリング誤差のトレードオフとして$\tilde{d}$を認識し、微調整の前に適切な$\tilde{d}$を推定する理論解析と実験観察の両方を行う。
適切な$\tilde{d}$で、imagenet分類データセットで$\text{lr}^2\text{vq}$をresnet-18/resnet-50で評価し、現在のvqベースの圧縮アルゴリズムよりも2.8\%/1.0\%top-1精度が43$\times$/31$\times$圧縮係数で向上した。
関連論文リスト
- Pruning is Optimal for Learning Sparse Features in High-Dimensions [15.967123173054535]
本研究では,勾配勾配勾配で学習したプルーンドニューラルネットワークを用いて,統計モデルのクラスを最適に学習可能であることを示す。
ニューラルネットワークのプルーニングが$boldsymbolV$のスパーシリティレベルに比例すると、未切断ネットワークと比較してサンプルの複雑さが向上することを示す。
論文 参考訳（メタデータ） (2024-06-12T21:43:12Z) - ReALLM: A general framework for LLM compression and fine-tuning [11.738510106847414]
ReALLMは、事前訓練された言語モデルの圧縮とメモリ効率の適応のための新しいアプローチである。
重みのみの量子化アルゴリズムは、トレーニングなしで3ドルビットの予算で言語生成タスク(C4とWikiText-2)の最良の結果を得る。
論文 参考訳（メタデータ） (2024-05-21T18:50:51Z) - Uncertainty quantification for iterative algorithms in linear models with application to early stopping [4.150180443030652]
本稿では,高次元線形回帰問題における反復アルゴリズムから得られた繰り返し$hbb1,dots,hbbT$について検討する。
解析および提案した推定器は、GD(Gradient Descent)、GD(GD)およびFast Iterative Soft-Thresholding(FISTA)などの加速変種に適用できる。
論文 参考訳（メタデータ） (2024-04-27T10:20:41Z) - Deep Equilibrium Object Detection [24.69829309391189]
本稿では,ディープ平衡デコーダを設計し,新しいクエリベースのオブジェクト検出器(DEQDet)を提案する。
我々の実験では、DECDtはより早く収束し、メモリ消費を減らし、ベースラインよりも優れた結果が得られることを示した。
論文 参考訳（メタデータ） (2023-08-18T13:56:03Z) - Efficiently Learning One-Hidden-Layer ReLU Networks via Schur
Polynomials [50.90125395570797]
正方形損失に関して、標準的なガウス分布の下での$k$ReLU活性化の線形結合をPAC学習する問題をmathbbRd$で検討する。
本研究の主な成果は,この学習課題に対して,サンプルおよび計算複雑性が$(dk/epsilon)O(k)$で,epsilon>0$が目標精度である。
論文 参考訳（メタデータ） (2023-07-24T14:37:22Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳（メタデータ） (2022-06-17T04:07:45Z) - Breaking the Sample Complexity Barrier to Regret-Optimal Model-Free
Reinforcement Learning [52.76230802067506]
漸進的強化学習における後悔を最小限に抑えるために,新しいモデルフリーアルゴリズムを提案する。
提案アルゴリズムは、2つのQ-ラーニングシーケンスの助けを借りて、初期設定された参照更新ルールを用いる。
初期の分散還元法の設計原理は、他のRL設定とは独立した関心を持つかもしれない。
論文 参考訳（メタデータ） (2021-10-09T21:13:48Z) - Permute, Quantize, and Fine-tune: Efficient Compression of Neural
Networks [70.0243910593064]
ベクトル量子化の成功の鍵は、どのパラメータ群を一緒に圧縮するかを決定することである。
本稿では,隣り合う2つの層の重みを同じ関数を表現しながら不変にすることができることを観察する。
次に、レート歪み理論への接続を確立し、圧縮し易いネットワークとなる置換を探索する。
論文 参考訳（メタデータ） (2020-10-29T15:47:26Z) - Deep Learning Meets Projective Clustering [66.726500395069]
NLPネットワークを圧縮するための一般的なアプローチは、埋め込み層を行列 $AinmathbbRntimes d$ としてエンコードすることである。
計算幾何学から遠射的クラスタリングに着想を得て、この部分空間を$k$部分空間の集合で置き換えることを提案する。
論文 参考訳（メタデータ） (2020-10-08T22:47:48Z) - Breaking the Sample Size Barrier in Model-Based Reinforcement Learning
with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。
最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。
対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文 参考訳（メタデータ） (2020-05-26T17:53:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。