低秩因子分解被广泛用于压缩神经网络，但现代模型通常不自然地适用于侵略性因子分解，而不会造成显著的准确性损失。现有的训练时间低秩正则化器可以提高可压缩性，但它们通常需要大权重矩阵的SVD ，修改模型架构（引入额外的可训练参数） ，或依赖于STA

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.08754v1)获取最准确的信息。

---
🔗 **原文链接**: [SLORR: Simple and Efficient In-Training Low-Rank Regularizat](https://arxiv.org/abs/2607.08754v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: David González-Martínez, Shiwei Liu

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-10 14:02