计算机学院研究生成果被Top期刊《IEEE Transactions on Neural Networks and Learning Systems》录用

作者:刘伟 部门审稿人: 摄影: 视频: 单位:计算机学院 发布时间:2026-11-19 投稿时间: 点击量:11

      近日,计算机学院在模型压缩和剪枝研究方向取得新的进展,以“Spectral Complex Autoencoder Pruning: A Fidelity-Guided Criterion for Extreme Structured Channel Compression”为题,录用在Top期刊《IEEE Transactions on Neural Networks and Learning Systems》,DOI:https://doi.org/10.1109/TNNLS.2026.3744093。论文第一作者为学院2024级研究生刘伟,通讯作者为邓星老师,江苏科技大学为第一完成单位。


https://ieeexplore.ieee.org/document/11775177/

 

     《IEEE Transactions on Neural Networks and Learning Systems》(简称“IEEE TNNLS”)期刊是电气与电子工程师协会(IEEE)旗下的人工智能领域顶级期刊、中科院SCI一区TOP期刊,CCF推荐B类期刊,5年平均影响因子10.4,主要关注神经网络、机器学习、深度学习、优化算法等相关领域的研究。




      论文中,作者提出了一种基于频谱复自编码器的结构化通道剪枝方法(Spectral Complex Autoencoder Pruning,SCAP),旨在解决传统剪枝方法主要依赖权重幅值、特征响应或梯度信息评估通道重要性,难以充分刻画输入与输出之间的结构关联,以及极端压缩条件下模型性能容易显著下降的问题。SCAP通过构建复数交互场,将卷积层的多通道输入特征与各输出通道的响应信息进行联合建模,并利用傅里叶变换提取其频域特征;随后设计轻量化频谱自编码器,通过重建原始频谱信息计算重建保真度,以衡量不同通道交互特征的可压缩性。进一步,模型将保真度衍生的重建失配指标与归一化滤波器权重相结合,构建兼顾频谱结构特征与权重幅值信息的通道重要性评价准则,并通过阈值筛选和结构化剪枝实现网络压缩,在大幅降低模型计算量与参数规模的同时,尽可能保持原有分类性能。


      与现有方法相比,SCAP能够从卷积层输入与输出之间的频谱交互关系中挖掘通道冗余信息,并结合重建保真度与滤波器权重幅值实现更加全面的通道重要性评估。该方法可适配VGG、ResNet、DenseNet等不同类型的卷积神经网络,并在CIFAR-10、CIFAR-100和ImageNet-1k数据集上展现出具有竞争力的精度与压缩性能。其中,在CIFAR-10数据集的VGG-16网络上,SCAP实现了91.27%的计算量削减和96.32%的参数量削减,分类准确率仅下降1.98个百分点。此外,该方法还在DeiT-Tiny架构上验证了向Transformer网络扩展的可行性。该研究为极端压缩条件下的通道冗余评估提供了新的频谱分析思路,也为深度神经网络的轻量化设计与资源受限环境下的高效部署提供了参考。