ReluPruner

这个项目实现了一种基于泰勒重要性估计的渐进ReLU剪枝方法，用于保护隐私的神经网络推理。核心功能包括使用一阶和二阶泰勒展开来评估ReLU激活的重要性，并在训练过程中逐步剪枝以保持模型性能。此外，该方法考虑了层深度和梯度信息进行更优的剪枝决策，并利用教师-学生框架通过知识蒸馏保留准确性。适合需要高效安全多方计算（MPC）和同态加密（HE）的场景，特别是在对隐私保护有高要求的深度学习应用中。