新方法量化量化对神经网络分类器决策边界的影响

研究人员开发了一种名为边界感知量化（Boundary-Aware Quantization）的新方法，用于分析量化如何影响神经网络分类器的决策边界。该技术使用局部对数边距半径（local logit-margin radii）和边界雅卡德距离（boundary Jaccard distance）等指标来量化边界的变化。在数字数据集（digits dataset）和CIFAR-10等基准测试上的实验表明，与标准的以准确率为中心的量化方法相比，这种边界感知方法在较低的比特宽度下更能选择出能够更好地保持准确性和决策边界完整性的量化级别。 AI

影响 为评估模型压缩对分类器性能的影响提供了一种更精确的方法。

排序理由 学术论文，详细介绍了一种分析神经网络量化的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Boundary-Aware Quantization
• CIFAR-10
• digits benchmark
• Fashion-MNIST
• Hugging Face
• MNIST database
• PTQ-W

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →