Skip to content
Hot eventLive

BaCP：极端稀疏网络的骨干对比剪枝方法

1 reports1 sources16 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 16 hr ago

LatestOct 5
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。

Timeline

Follow the coverage from different angles.

Oct 5, 2026
  1. arXiv · Machine Learning Theory
    BaCP：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。

Heat trend

Current heat 6·Comparable peak 10（Oct 5）·Comparable change over 24 hours –

02.557.510Oct5Oct5Oct5Oct6

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.