MoE-PHDS: One MoE Checkpoint for Flexible Runtime Sparsity
稀疏专家混合 (MoE) 通常经过训练以在固定的稀疏级别上运行，例如top-k 门函数中的 k。该全局稀疏度水平决定了精度/延迟曲线上的操作点；目前，满足多个效率目标意味着训练和维护多个模型。这种做法使服务变得复杂，增加了培训和维护成本，并限制了满足不同延迟、效率和能源要求的灵活性。我们证明，预训练的 MoE 对运行时稀疏性变化的鲁棒性比通常假设的要强，并引入了 MoE-PHDS ({\bf...
IEEE Transactions on Emerging Topics in Computational Intelligence Volume 9, Issue 6, December 2025
1) 以用户为中心的智能系统的可解释性、鲁棒性和公平性：系统综述作者：Idrees A. Zahid、Salem Garfan、M.A. Chyad、A. S. Albahri、O. S. Albahri、A. H. Alamoodi、Muhammet Deveci、Raad Z. Homod、Laith Alzubaidi 页数：3728 - 37532)走向机器学习模型逐点可靠性评估技术的综合分类作者：João Loureiro、Lorena Petrella、Paulo Gil、Teresa Rocha、Simão Paredes、Jorge Henriques页数：3754 - 377
