限られたデータ環境下での精度保持型CNN剪定手法

本研究では、限られたデータが利用可能な状況におけるCNN（畳み込みニューラルネットワーク）の剪定手法を提案します。CNNは画像認識に広く用いられ、精度向上のために大規模化していますが、計算資源が限られた環境では既存のモデル圧縮手法が精度の低下をもたらすことが課題とされています。本手法は、説明可能なAI技術である層ごとの関連性伝播（LRP）を利用し、精度を維持しながら高い剪定率を実現します。他のLRP-based手法と比較して、少ないデータでもより高い精度を保つことができるため、実用性が高いです。この研究は、限られたデータ下におけるモデルの剪定において新たなアプローチを示しています。