深度森林级联修剪算法

存储大减预测提速

引入耦合多样性，逐层精简深度森林，在保持精度的同时大幅降低时空开销。

冀俊忠 · 李军伟

Pattern Recognition 2023

技术优势

减少存储

逐层修剪后模型规模减小，存储空间显著降低。

预测更快

修剪后的级联结构减少了推理时的计算量，预测速度显著加快。

精度不降

在提高修剪率的同时，精度仍优于多种现有方法。

应用场景

• 大规模集成学习：用更小模型处理大规模集成任务，降低存储和计算成本。
• 资源受限环境下的模型部署：修剪后的模型体积更小、预测更快，便于在资源受限设备上部署。
• 高维数据分析：通过级联修剪减少参数量和计算量，高效处理高维数据。