論文の概要: FairCompressAgent: An Agentic Framework for Fairness-Aware Model Compression for FPGA Deployment

• arxiv url: http://arxiv.org/abs/2609.17786v1
• Date: Tue, 15 Sep 2026 19:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.518186
• Title: FairCompressAgent: An Agentic Framework for Fairness-Aware Model Compression for FPGA Deployment
• Title（参考訳）: FairCompressAgent:FPGAデプロイメントのためのフェアネスを考慮したモデル圧縮のためのエージェントフレームワーク
• Abstract要約: 本研究では,FairCompressAgentを用いて,等価性を考慮したプルーニング,インクリメンタル量子化,および疎低ランク分解を共通演算子インタフェースを介して統合する。 言語モデルプランナは、モデルプロファイルと測定結果を使用して圧縮構成を選択し、実行層は圧縮、微調整、評価、制約ベースの選択を実行する。 評価されたフィードバックと明示的な制約が、公正な圧縮構成の選択と対話的な洗練を支援することを示す実験である。
• 参考スコア（独自算出の注目度）: 4.596175423898716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fairness-aware model compression requires selecting methods and configurations that balance accuracy, fairness, and deployment cost. These decisions become more difficult when compression methods are composed or the user's requirements change. In this paper, we propose FairCompressAgent (FCA), an agentic framework that integrates fairness-aware pruning, incremental quantization, and sparse low-rank factorization through a common operator interface. A language-model planner uses model profiles and measured outcomes to select compression configurations, while an execution layer performs compression, fine-tuning, evaluation, and constraint-based selection. FCA also supports requirement updates and reports the remaining violation when a request cannot be satisfied. Experiments on Fitzpatrick-17k with VGG-11 compare four search methods over 40 measured configurations. Under the accuracy-constrained request, FCA selects a compressed model with 59.54% less inference tensor storage, while validation average precision increases from 0.5141 to 0.5233 and equalized opportunity (EOpp) decreases from 0.2251 to 0.2168. It reaches the same final selection as one-shot planning with 7.33 versus 12 candidate evaluations on average, under their respective stopping policies. Repeated fine-tuning, held-out testing, and online requirement updates characterize the stability and interactive use of this compression workflow. The results demonstrate how measured feedback and explicit constraints support the selection and interactive refinement of fairness-aware compression configurations.
• Abstract（参考訳）: 公正なモデル圧縮には、正確性、公平性、デプロイメントコストのバランスをとる方法と構成を選択する必要がある。 これらの決定は、圧縮メソッドが作成されるか、ユーザの要求が変わると、より難しくなります。 本稿では,FairCompressAgent(FCA)を提案する。FairCompressAgentは,Fairness-Awareプルーニング,インクリメンタル量子化,および疎低ランク分解を共通演算子インタフェースを介して統合するエージェントフレームワークである。 言語モデルプランナは、モデルプロファイルと測定結果を使用して圧縮構成を選択し、実行層は圧縮、微調整、評価、制約ベースの選択を実行する。 FCAは要求の更新もサポートし、要求が満たされない場合に残る違反を報告します。 VGG-11を用いたFitzpatrick-17kの実験では、4つの探索法を40の計測結果と比較した。 精度制約された要求の下で、FCAは59.54%の推論テンソルストレージを持つ圧縮モデルを選択し、検証平均精度は0.5141から0.5233に増加し、等化機会(EOpp)は0.2251から0.2168に低下する。 平均で7.33対12の候補評価で1ショットの計画と同じ最終選択となる。 繰り返し行われる微調整、ホールドアウトテスト、オンライン要求更新は、この圧縮ワークフローの安定性とインタラクティブな使用を特徴付ける。 その結果、評価されたフィードバックと明示的な制約が、公正な圧縮構成の選択と対話的な洗練をいかに支援しているかが示されている。

関連論文リスト

• Benchmarking Composable Compression Techniques in Mixture-of-Experts LLMs [50.677556944160216]
  MoEXBenchは、構成可能なMoE圧縮をエンドツーエンドのデプロイメントワークフローとして評価するための体系的なベンチマークである。 コンポーザブル圧縮品質、ワークロードとアーキテクチャ、プルーニング/量子化/KVキャッシュ感度、コモディティハードウェアへのデプロイメント効率を測定する。
  論文  参考訳（メタデータ） (2026-08-22T00:01:18Z)
• Does Compression Preserve Uncertainty? A Unified Benchmark for Quantized and Sparse LLMs via Conformal Prediction [21.411353047208777]
  5つのNLPタスクにまたがる様々な圧縮構成の下で、12の大規模言語モデル(LLM)をベンチマークする。 実験の結果, (I) 圧縮は精度を不確実性から分離することが多く, (II) より大きなモデルでは圧縮誘起不確実性をより効果的に吸収し, (III) 不確実性インフレーションは段階的にではなくしきい値に近いことが多いことがわかった。
  論文  参考訳（メタデータ） (2026-06-01T08:00:17Z)
• Arbitrary Ratio Feature Compression via Next Token Prediction [52.10426317889982]
  Arbitrary Ratio Feature Compression (ARFC)フレームワークは、任意の圧縮比を単一のモデルでサポートする。 ARCは、次の回帰予測によって圧縮を行う自動回帰モデルである。 MoSモジュールは複数の圧縮結果を利用して圧縮トークンを洗練する。 ERGCは、圧縮中の意味的および構造的関係を維持するために、トレーニングプロセスに統合される。
  論文  参考訳（メタデータ） (2026-02-12T02:38:57Z)
• Choose Your Model Size: Any Compression of Large Language Models Without Re-Computation [10.376875638696504]
  本研究は, 圧縮性能トレードオフを決定するアルゴリズム手法であるACIP (Any Compression via Iterative Pruning) を提案する。 線形層をSVDで再パラメータ化し,その特異値をスペーサ性誘導ペナルティで反復的にプルーする。 本稿では,ACIPが共通量子化に基づく圧縮手法をシームレスに補完することを示す。
  論文  参考訳（メタデータ） (2025-02-03T18:40:58Z)
• Communication Compression for Distributed Learning without Control Variates [43.69787537805927]
  本稿では,過去の集約更新を利用して圧縮可能なクライアントを実現する分散アルゴリズムを提案する。 実験結果から,CAFeは既存の分散圧縮学習方式よりも優れていたことが確認された。
  論文  参考訳（メタデータ） (2024-12-05T18:46:20Z)
• Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes [54.18186259484828]
  フェデレートラーニング(FL)パラダイムでは、パラメータサーバ(PS)がモデル収集、更新アグリゲーション、複数のラウンドでのモデル分散のために、分散参加クライアントと同時通信する。 FLの圧縮には可変長が有用であることを示す。 本稿では,Fed-CVLC(Federated Learning Compression with Variable-Length Codes)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T07:25:21Z)
• Activations and Gradients Compression for Model-Parallel Training [85.99744701008802]
  モデル並列分散トレーニングセットアップにおけるアクティベーションと勾配の同時圧縮が収束に与える影響について検討する。 グラデーションはアクティベーションよりも軽度な圧縮速度を必要とする。 実験では、TopKでトレーニングされたモデルが、推論中に圧縮も適用された場合にのみ正常に動作することが示されている。
  論文  参考訳（メタデータ） (2024-01-15T15:54:54Z)
• Learning Accurate Performance Predictors for Ultrafast Automated Model Compression [86.22294249097203]
  フレキシブルネットワーク展開のための超高速自動モデル圧縮フレームワークSeerNetを提案する。 本手法は,探索コストを大幅に削減した競合精度・複雑度トレードオフを実現する。
  論文  参考訳（メタデータ） (2023-04-13T10:52:49Z)
• Towards Compact CNNs via Collaborative Compression [166.86915086497433]
  チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。 52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
  論文  参考訳（メタデータ） (2021-05-24T12:07:38Z)

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。