热点事件持续更新
BaCP：极端稀疏网络的骨干对比剪枝方法
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
2026年10月5日，arXiv 机器学习理论方向发布一手论文，提出 Backbone Contrastive Pruning（BaCP）。该方法面向极端稀疏神经网络的表征保持问题，通过将稀疏网络的嵌入空间与预训练模型、微调模型及历史快照模型对齐，缓解极端稀疏下的表征坍塌。论文基于 CAP 框架的对比分解，在 90 个设置中开展验证，结果显示：在标准剪枝方法失效的极端稀疏区间，BaCP 显著提升精度；当表征完整时，其表现接近基线。目前公开信息仅涉及该论文内容，尚无后续独立验证或同行评议进展报道。
AI 根据报道生成 · 15 小时前更新
最新进展10月5日 12:00
arXiv 发布 BaCP 论文，称其在极端稀疏区间提升精度，表征完整时接近基线。报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv · Machine Learning TheoryBaCP：用于极端稀疏神经网络表征保持的骨干对比剪枝
论文提出 Backbone Contrastive Pruning（BaCP），通过将稀疏网络的嵌入空间与预训练、微调及历史快照模型对齐，缓解极端稀疏下的表征坍塌。基于 CAP 框架的对比分解，在 90 个设置中验证：BaCP 在标准剪枝失效的极端稀疏区间显著提升精度，表征完整时接近基线。
本事件热度走势
当前热度 7·可比范围峰值 10（10月5日 13:00）·近 24 小时可比范围变化 –
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。