计算机学科前沿论坛之七
报告题目：模型压缩真的能为我们节约能耗吗
报告人：周天异 新加坡国立大学 副教授
报告时间：2022年10月19日下午2:00-2:40
地点：计算机楼A501
腾讯会议：220-430-935
报告摘要：边缘设备需要低能耗的小模型。为了在边缘设备上有效地部署卷积神经网络 (CNN) 模型，能耗敏感的模型压缩变得极为重要。然而现有的工作并没有很好地解决这个问题，因为缺乏考虑硬件架构中数据流类型的多样性。在本次报告中，我将介绍我们最近名为 EDCompress 的工作，这是一种适用于各种数据流的能耗敏感的模型压缩方法。它可以有效降低各种边缘设备的能耗，具有不同的数据流类型。考虑到模型压缩过程的本质，我们将优化过程重铸为多步优化问题，并通过强化学习算法解决。研究表明，EDCompress 可以在 VGG-16、MobileNet、LeNet-5 网络中分别提高 20、17、37倍的能效。 EDCompress 还可以针对不同神经网络在能耗方面找到最佳数据流类型，这可以指导 CNN 模型在硬件系统上的部署。
报告人简介：周天异，副教授,毕业于新加坡南洋理工大学，获博士学位。现为新加坡科技研究局前沿人工智能中心团队负责人（Investigator）和新加坡国立大学副教授。周天异博士主持多项新加坡重点研发项目，并且已在机器学习, 人工智能,信息安全等领域核心期刊(JCR一区)和国际会议(CCF A类)上发表论文100余篇; 此外是IEEE TETCI , IET Image Processing, 等国际重要SCI 期刊的副主编；是多个国际顶级/重要学术会议（例如CCF A类会议IJCAI)等的专题报告组织联合主席和国际旗舰会议MOBIMEDIA 2020 技术程序委员会联合主席；获得IJCAI，ECCV, ICDCS等多个国际顶级/重要学术会议及其专题报告会最佳论文奖；担任ICLR, AAAI, IJCAI, ICME 等国际顶级会议领域主席。
