• Новый метод CompreSSM позволяет сократить размер моделей ИИ без потери точности.
• Метод устраняет компромисс между производительностью и вычислительной эффективностью.
• CompreSSM ориентирован на модели пространства состояний, применяемые в обработке языка, генерации звука и робототехнике.
• Исследование использует сингулярные значения Ханкеля для определения важности компонентов модели.
• Новый метод ускоряет обучение моделей в 1,5-4 раза без потери точности.
• CompreSSM сравнивается с традиционными методами обрезки и дистилляции знаний, а также специализированными методами для моделей пространства состояний.
• Метод CompreSSM превосходит все другие методы по скорости и точности.
• Теоретическая обоснованность метода и механизм безопасности обеспечивают его эффективность.