面向 5G 边缘设备的基于编译器的高效 CNN 模型构建

基于摘要分析。本文研究面向 5G 移动平台的高效 CNN 构建，提出无需模型训练的稀疏核（sparse kernels，SKs）设计搜索方案，并通过模型转换与编译器原型，将搜索得到的设计自动应用于已有模型。研究对象是通用 CNN 的结构与部署效率，而非 EEG 或 BCI 信号解码。 核心机制是从组成、性能和效率三个方面缩减 SK 设计空间，并使用易于测量的 information field 作为搜索过程中的模型准确率预测量，从而取消搜索方案中的模型训练。摘要未给出该量的定义、计算方式及其与准确率关联的验证范围，不能据此认定最终模型也无需训练。作者还对搜索所得设计进行效率分析，据此提出模型转换方案，以减少已有模型的参数量或提高准确率；编译器原型以已有模型源代码为输入，自动化这一过程。 作者报告，采用所搜索 SK 设计的模型在准确率和效率方面优于 ResNets 等对照网络；模型转换方案可在参数量相同的条件下提高准确率，或在准确率相同的条件下提高效率。摘要未提供数据集、任务、具体数值、效率指标及硬件测量条件，因而无法判断收益来自参数压缩、计算量降低还是实际运行加速。实验协议、消融及统计信息尚未验证，编译器支持范围和复现条件亦需核对全文。 平台推测（待验证）：其可能对应 EEG 边缘部署中 CNN 的参数与计算资源瓶颈，而非直接解决解码准确率问题。迁移假设是 SK 搜索和模型转换能够适配 EEG 的时间、通道结构；可复用搜索与自动转换思路，但需改造核结构约束，并验证 information field 在低信噪比、小数据条件下是否仍能可靠排序候选模型。通道布局差异与跨被试变化可能使该代理量失效，稀疏结构也不必然带来设备实测加速。一个可检验的小实验是在固定 EEG 数据划分、训练预算和目标设备下，对同一 CNN 的原始版与转换版比较 Accuracy、参数量和推理延迟，并核对代理量与训练后 Accuracy 的排序一致性。已有 EEG 相关工作尚未检索确认。