PulseAugur
中
实时 10:28:43
English(EN) FQTree: Fine-grained Quantization and Hardware Generation of Boosted Decision Trees

新的FQTree算法优化增强决策树以进行硬件部署

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了FQTree，一种用于增强决策树（BDTs）的细粒度感知量化训练的新型算法。该方法与用于自动硬件生成的QXGB框架相结合，能够更有效地在延迟敏感型应用中部署BDTs。与现有的基于FPGA的BDTs设计相比，FQTree的面向硬件的叶值量化方案将LUT使用量减少了26-57%，同时在JSC、MNIST和NID等基准测试中保持或提高了准确性。 AI

影响 能够更有效地部署增强决策树的硬件，有可能降低延迟敏感型应用的成本并提高性能。

排序理由 该集群包含一篇学术论文，详细介绍了一种用于优化机器学习模型以用于硬件的新算法和框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的FQTree算法优化增强决策树以进行硬件部署

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhiqiang Que, Chang Sun, Haiyang Wang, Dinesh Pamunuwa, Roshan Weerasekera, Qijia Tang, Bakhtiar Zadeh, Wayne Luk, Maria Spiropulu ·

    FQTree：提升决策树的细粒度量化与硬件生成

    arXiv:2608.12140v1 Announce Type: cross Abstract: Boosted decision trees (BDTs) are widely used in latency-critical applications, but efficient hardware deployment remains challenging. Existing designs often rely on uniform or manually tuned fixed-point formats, which can introdu…

相关实体

相关话题