Краткое содержание

arXiv:2507.01695v2 Тип объявления: replace Аннотация: Глубокие нейронные сети (ГНС) стали повсеместными благодаря их выдающейся способности моделировать сложные паттерны в различных областях, таких как компьютерное зрение, распознавание речи, робототехника и т.д. Хотя большие модели ГНС часто точнее, чем простые, облегченные модели, они также требуют значительных ресурсов и энергии. Следовательно, необходимо разработать методы для снижения зависимости от таких больших моделей без значительного ухудшения точности выходных данных. Высокая вычислительная стоимость этих моделей часто необходима лишь для небольшого набора сложных входных данных, в то время как более легкие модели могут обрабатывать большинство простых. Таким образом, тщательное комбинирование свойств существующих моделей ГНС динамическим, основанным на входных данных способом открывает возможности для повышения эффективности без ущерба для точности. В данной работе мы представляем PERTINENCE, новый онлайн-метод, предназначенный для анализа сложности входных признаков и динамического выбора наиболее подходящей модели из предварительно обучен