Training van Ruis Token Pruning

Samenvatting

In het huidige werk presenteren we Training Noise Token (TNT) Pruning voor vision transformers. Onze methode versoepelt de voorwaarde van het laten vallen van discrete tokens naar continue additieve ruis, wat zorgt voor soepele optimalisatie tijdens training, terwijl discrete verlaging van berekeningen behouden blijft in implementatie-instellingen. We leggen theoretische verbanden met de Rate-Distortion literatuur en voeren empirische evaluaties uit op de ImageNet dataset met behulp van ViT en DeiT architecturen, waarbij we de voordelen van TNT ten opzichte van eerdere snoeimethoden aantonen.

English

In the present work we present Training Noise Token (TNT) Pruning for vision transformers. Our method relaxes the discrete token dropping condition to continuous additive noise, providing smooth optimization in training, while retaining discrete dropping computational gains in deployment settings. We provide theoretical connections to Rate-Distortion literature, and empirical evaluations on the ImageNet dataset using ViT and DeiT architectures demonstrating TNT's advantages over previous pruning methods.

Training van Ruis Token Pruning

Training Noise Token Pruning

Samenvatting

Support