跳到正文
热点事件持续更新

Anish Khazane等提出FI-ITEP嵌入剪枝方法

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

Anish Khazane等提出基于特征重要性的嵌入剪枝方法FI-ITEP,旨在优化大规模推荐模型的内存效率与训练成本。该方法通过特征重要性引导剪枝比例,将较高剪枝率分配给重要性较低的特征嵌入表,在三个大规模推荐模型上实现总内存降低20-40%,同时保持或提升精度。 研究进一步在开源DLRM(Criteo 1TB)上复现相关趋势,量化了端到端的训练时间与GPU成本权衡。具体实践中,该方法可减少GPU训练器数量(如从112降至80),每个模型发布可节省1000+ GPU小时,显著降低了大规模推荐模型部署的硬件开销。

AI 根据报道生成 · 13 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · AI
    FI-ITEP 用于大规模推荐模型:基于特征重要性的嵌入剪枝方法

    提出基于特征重要性的嵌入剪枝方法 FI-ITEP,在三个大规模推荐模型上将总内存降低 20-40%,同时保持或提升精度。 该方法将剪枝比例分配给重要性较低的特征,减少 GPU 训练器数量(如 112 降至 80),每个模型发布节省 1000+ GPU 小时。在开源 DLRM 上验证了训练时间与 GPU 成本权衡。

本事件热度走势

可比范围当前
6
可比范围峰值
911月20日 16:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。