Copertina

Investigating the Effect of Network Pruning on Performance and Interpretability

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	von Rad, Jonathan, Seuffert, Florian
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Growing Networks with Autonomous Pruning
di: De Lambilly, Charles, et al.
Pubblicazione: (2026)

ICE-Pruning: An Iterative Cost-Efficient Pruning Pipeline for Deep Neural Networks
di: Hu, Wenhao, et al.
Pubblicazione: (2025)

PruneFuse: Efficient Data Selection via Weight Pruning and Network Fusion
di: Kousar, Humaira, et al.
Pubblicazione: (2026)

Shapley Pruning for Neural Network Compression
di: Adamczewski, Kamil, et al.
Pubblicazione: (2024)

Is Complexity Required for Neural Network Pruning? A Case Study on Global Magnitude Pruning
di: Gupta, Manas, et al.
Pubblicazione: (2022)

Adaptive Sharpness-Aware Pruning for Robust Sparse Networks
di: Bair, Anna, et al.
Pubblicazione: (2023)

Variance-Based Pruning for Accelerating and Compressing Trained Networks
di: Berisha, Uranik, et al.
Pubblicazione: (2025)

Rethinking Pruning for Vision-Language Models: Strategies for Effective Sparsity and Performance Restoration
di: He, Shwai, et al.
Pubblicazione: (2024)

Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch
di: Wu, Xidong, et al.
Pubblicazione: (2024)

The Effects of Grouped Structural Global Pruning of Vision Transformers on Domain Generalisation
di: Riaz, Hamza, et al.
Pubblicazione: (2025)

A Greedy Hierarchical Approach to Whole-Network Filter-Pruning in CNNs
di: Purohit, Kiran, et al.
Pubblicazione: (2024)

Decay Pruning Method: Smooth Pruning With a Self-Rectifying Procedure
di: Yang, Minghao, et al.
Pubblicazione: (2024)

LayerMerge: Neural Network Depth Compression through Layer Pruning and Merging
di: Kim, Jinuk, et al.
Pubblicazione: (2024)

Enhancing Certifiable Semantic Robustness via Robust Pruning of Deep Neural Networks
di: Hu, Hanjiang, et al.
Pubblicazione: (2025)

FGFP: A Fractional Gaussian Filter and Pruning for Deep Neural Networks Compression
di: Tu, Kuan-Ting, et al.
Pubblicazione: (2025)

A Survey on Deep Neural Network Pruning-Taxonomy, Comparison, Analysis, and Recommendations
di: Cheng, Hongrong, et al.
Pubblicazione: (2023)

Optimising for Interpretability: Convolutional Dynamic Alignment Networks
di: Böhle, Moritz, et al.
Pubblicazione: (2021)

Interpretable Diffusion Models with B-cos Networks
di: Bernold, Nicola, et al.
Pubblicazione: (2025)

Cluster Paths: Navigating Interpretability in Neural Networks
di: Kroeger, Nicholas M., et al.
Pubblicazione: (2025)

Is Oracle Pruning the True Oracle?
di: Feng, Sicheng, et al.
Pubblicazione: (2024)

Distilling the Knowledge in Data Pruning
di: Ben-Baruch, Emanuel, et al.
Pubblicazione: (2024)

Interpretability Without Tradeoffs: Disentangling Polysemanticity At Equal Predictive Performance
di: Bağcı, Doğukan, et al.
Pubblicazione: (2026)

Interpreting Neurons in Deep Vision Networks with Language Models
di: Bai, Nicholas, et al.
Pubblicazione: (2024)

CIP-Net: Continual Interpretable Prototype-based Network
di: Di Valerio, Federico, et al.
Pubblicazione: (2025)

Data Pruning in Generative Diffusion Models
di: Briq, Rania, et al.
Pubblicazione: (2024)

Rényi Attention Entropy for Patch Pruning
di: Aizawa, Hiroaki, et al.
Pubblicazione: (2026)

Pruning at Initialization -- A Sketching Perspective
di: Bar, Noga, et al.
Pubblicazione: (2023)

Exploring 3D Dataset Pruning
di: Zhao, Xiaohan, et al.
Pubblicazione: (2026)

Meta Pruning via Graph Metanetworks : A Universal Meta Learning Framework for Network Pruning
di: Liu, Yewei, et al.
Pubblicazione: (2025)

Analyzing Effects of Mixed Sample Data Augmentation on Model Interpretability
di: Won, Soyoun, et al.
Pubblicazione: (2023)

Training-Free Restoration of Pruned Neural Networks
di: Lee, Keonho, et al.
Pubblicazione: (2025)

BECLR: Batch Enhanced Contrastive Few-Shot Learning
di: Poulakakis-Daktylidis, Stylianos, et al.
Pubblicazione: (2024)

Perturbation on Feature Coalition: Towards Interpretable Deep Neural Networks
di: Hu, Xuran, et al.
Pubblicazione: (2024)

SIC: Similarity-Based Interpretable Image Classification with Neural Networks
di: Wolf, Tom Nuno, et al.
Pubblicazione: (2025)

Towards Meta-Pruning via Optimal Transport
di: Theus, Alexander, et al.
Pubblicazione: (2024)

DRoP: Distributionally Robust Data Pruning
di: Vysogorets, Artem, et al.
Pubblicazione: (2024)

Large-scale Dataset Pruning with Dynamic Uncertainty
di: He, Muyang, et al.
Pubblicazione: (2023)

Training-Free Dataset Pruning for Instance Segmentation
di: Dai, Yalun, et al.
Pubblicazione: (2025)

Batch Loss Score for Dynamic Data Pruning
di: Zhou, Qing, et al.
Pubblicazione: (2026)

Quantized and Interpretable Learning Scheme for Deep Neural Networks in Classification Task
di: Maleki, Alireza, et al.
Pubblicazione: (2024)