{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,20]]，“日期-时间”：“2024-06-20T08:36:07Z”，“时间戳”：1718872567920}，“参考-计数”：35，“出版商”：“Springer Science and Business Media LLC”我“：“2021-10-01T00:00:00Z”，“timestamp”：163304640000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com/tdm”}，{“start”：{“date-parts”：[[2021,10,1]]，“date-time”：“2021-10-01T00:00:00Z”，“timetamp”：633046400000}，”content-versiion“：”vor“，”delay-in-days“：0，”URL“https://www.springer.com\/tdm“}”，“出资人”：[{“名称”：“Hiroshi Fujiwara Technion网络安全研究中心”，“奖项”：[“N\/A”]}]，“内容域”：{“域”：[”link.springer.com“]，“crossmark-restriction”：false}，“short-container-title”：[）Mach Learn“]，”published-print“：{”date-parts“：[2021,12]]}，”DOI“：”10.1007\/s10994-021-06053-z“，”type“：”journal-article“，”created“：{”date-ports“”：[2021,10,1]]，“日期-时间”：“2021-10-01T15:19:30Z”，“时间戳”：1633101570000｝，“页面”：“3245-3262”，“更新策略”：“http:\/\/dx.doi.org/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，“被计数引用”：49，“标题”：[“损失感知训练后量化”]，“前缀”：“10.1007”，“卷”：“110”，“作者”：[{“给定”：“Yury”，“家族”：“Nahshan”，“序列”：“first”，“affiliation”：[]｝，｛“given”：“Brian”，“family”：“Chmiel”，“sequence”：“additional”，“affiliation”：[]｝，｛“given”：“Chaim”，“family”：“Baskin”，“sequence”：“additional”，“affiliation”：[]｝，｛“ORCID”：“http:\/\/ORCID.org/0000-0002-5400-9321”，“authenticated ORCID”：false，“given”：“Evgenii”，“family”：“Zheltonozkii”，“sequence”：“additional”，“附属关系”：[]｝，{“given”：“Ron”，“family”：“Banner”，“sequence”：“additional”，“affiliation”：[]}，{“给定”：“Alex M.”，“家族”：“Bronstein”，”sequence“：”additional“，”affiliance“：[]{”given“：”Avi“，”family“：”Mendelson“，”se序列“：”additional：[{“key”：“6053_CR1”，“非结构化”：“Banner，R.，Nahshan，Y.，Hoffer，E.，Soudry，D.（2018）快速部署卷积网络的训练后4位量化。arXiv预印本arXiv:181005723http://\/arXiv.org\/abs\/1810.05723”}，{“key”：“6053_CR2”，“unstructured”：“Baskin，C.，Liss，N.，Chai，Y.、Zheltonzhkii，E.，Schwartz，E.，Girayes，R.、Mendelson，A.，Bronstein，A。M.（2018）尼斯：神经网络量化的噪声注入和钳制估计。arXiv预印本arXiv:181000162http:\/\/arXiv.org\/abs\/1810.00162“}，{“问题”：“6”，“密钥”：“6053_CR3”，“doi-asserted-by”：“发布者”，“首页”：“759”，“doi”：“10.1109\/TIT.1972.1054906”，“卷”：“18”，“作者”：“T Berger”，“年份”：“1972”，“非结构化”：“Berger，T.（1972）.最佳量化器和置换码。IEEE Transactions on Information Theory，18（6），759\u2013765。“，“journal-title”：“IEEE Translations on Information Theory”}，{“key”：“6053_CR4”，“unstructured”：“Bethge，J.，Yang，H.，Bornstein，M.，Meinel，C.，（2019）回到简单：如何从头开始训练准确的bnns？arXiv预印本arXiv:190608637http://arXiv.org\/abs\/1906.08637”}、{“key”：6053_CR5“，“非结构化”：”Brent，R.P.（2013）《无导数最小化算法》。Courier公司。“}，{”key“：”6053_CR6“，”doi-asserted-by“：”crossref“，”unstructured“：”Fang，J.，Shafie，A.，Abdel-Aziz，H.，Thorsley，D.，Georgiadis，G.，Hassoun，J.（2020）通过分段线性近似对深层神经网络进行近无损训练后量化。arXiv预印本arXiv:200200104https:\//arXiv.org\/abs\/2002.00104“，”doi“：”10.1007\/978-3-030-58536-5_5“}，{“key”：“6053_CR7”，“doi-asserted-by”：“crossref”，“unstructured”：“Faraone，J.，Fraser，N.，Blott，M.，Leong，P.H.（2018）Syq：高效深层神经网络的学习对称量化。In:IEEE计算机视觉和模式识别会议（CVPR），http://\/openaccess.thevf.com/content_cvpr_2018\/html\/Faraone_SYQ_Learning_Symetric_cvpr_2018_paper.html“，“DOI”：“10.1109\/cvpr.2018.00452”}，{“key”：“6053_CR8”，“unstructured”：“Fawzi，A.，Moosavi-Dezfouli，S.M.，Frossard，P.，（2016）分类器的鲁棒性：从对抗噪声到随机噪声。arXiv-print arXiv:160808967https:\/\/arXiv.org\/abs\/1608.08967“}，{“key”：“6053_CR9”，“unstructured”：“Finkelstein，A.，Almog，U.，Grobman，M.（2019）与量化偏差作斗争。arXiv-Print arX iv:190603193http:\/\/arXiv.org\/abs\/1906.03193”}，}“issue”：“7”，“key“：”6053_CR10“，”“doi-asserted-by”：“publisher”，“首页”：“632”，“doi”：“10.1016\/j.cagd.2005.06.005“，”volume“：”22“，”author“：”R Goldman“，”year“：”2005“，”unstructured“：”Goldman，R.（2005）。隐式曲线和曲面的曲率公式。计算机辅助几何设计，22（7），632\u2013658。https:\/\/doi.org\/10.1016\/j.cagd.2005.06.005.“，“journal-title”：“计算机辅助几何设计”}，{“key”：“6053_CR11”，“doi-asserted-by”：“crossref”，“unstructured”：“龚，j.，Shen，H.，Zhang，G.，Liu，X.，Li，S.，Jin，G.、Maheshwari，N.，Fomenko，E.，Segal，E.（2018）基于intelcaffe的卷积神经网络高效8位低精度推理。摘自：美国纽约州纽约市ACM，第一届可复制质量效率系统协同设计Pareto-Efficient Deep Learning竞赛论文集，ReQuEST\u201918，10.1145\/3229762.3229763，http://doi.ACM.org\/10.1145\/322962.3229763“，“doi”：“10.1145\/3229762.32297633”}，{“key”：“6053_CR12”，“doi-asserted-by”：“crossref”，“unstructured”：“Gong，R.，Liu，X.，Jiang，S.，Li，T.，Hu，P.，Lin，J.，Yu，F.，Yan，J.（2019）可微分软量化：桥接全精度和低比特神经网络。摘自：IEEE计算机视觉国际会议（ICCV），http://\/openaccess.thevf.com/content_ICCV_2019\/html\/Gong_Differentiable_Soft_Quantization_Bridging_Full-Precision_and_Low-Bit_Neural_Networks_ICCCV_2019_paper.html“，”DOI“：”10.1109\/ICCV.2019.00495“}，{“key”：“6053_CR13”，“DOI-asserted-by”：“crossref”，“unstructured”：“He，X.，Liao，L.，Zhang，H.，Nie，L.、Hu，X.Chua，T.S.（2017）神经协同过滤。摘自：《第26届万维网国际会议论文集》，国际万维网会议指导委员会，瑞士日内瓦共和国和州，WWW\u201917，pp 173\u2013182，10.1145\/3038912.3052569，https:\//doi.org\/10.1145\/3038912.3052569“，”doi“：”10.1145\/3038.912.3052569“}，{“key”：“6053_CR14”，“unstructured”：“Hou，L.，Kwok，J.T.（2018）深度网络的损失感知权重量化。https:\/\/arxiv.org\/abs\/1802.08635深层网络的损失感知二值化。arXiv预印本arXiv:16101600 https:\/\/arXiv.org/abs\/161011600“｝，｛“问题”：“1”，“密钥”：“6053_CR16”，“第一页”：“6869”，“卷”：“18”，“作者”：“I Hubara”，“年份”：“2017”，“非结构化”：“Hubara，I.，Courbareaux，M.，Soudry，D.，El Yaniv，R.，&Bengio，Y.（2017）量化神经网络：训练具有低精度权重和激活的神经网络。J Mach Learn Res，18（1），6869\u20136898.“，“journal-title”：“J Mach Learn Res”}，{“key”：“6053_CR17”，“unstructured”：“Jin，Q.，Yang，L.，Liao，Z.（2019）迈向神经网络量化的高效训练。arXiv预印本arXiv:191210207https:\/\/arXiv.org\/abs\/1912.10207”}、{“key”：”6053_CR18“非结构化”：“Kim，H.，Kim，K.，Kim。J.（2020）Binaryduo：通过耦合二进制激活来减少二进制激活网络中的梯度失配。arXiv预印本arXiv:200206517https:\/\/arXiv.org\/abs\/2002.06517“}，{“key”：“6053_CR19”，“unstructured”：“Kravchik，E.，Yang，F.，Kisilev，P.，Choukroun，Y.（2019）用于有效推理的神经网络低比特量化。In:IEEE国际计算机视觉会议（ICCV）研讨会，http://\/openaccess.thevf.com/content_ICCVW_2019\/html\/CEFRL\/Kravchik_Low-bit_Quantization_of_Neural_Networks_for_Efficient_Inference_ICCCVW_2019 _paper.html“}，{“key”：“6053_CR20”，“unstructured”：“Krishnamoorthi，R.（2018）量化深度卷积网络以进行有效推理：白皮书。arXiv预印本arXiv:180608342http:\/\/arXiv.org\/abs\/1806.08342“}，{“key”：“6053_CR21”，“unstructured”：“Lee，J.H.，Ha，S.，Choi，S，Lee，W.J.，Lee and S.（2018）深度神经网络快速部署的量化。arXiv-print arXiv:18100548http:\//arXiv.org \/abs\/1810.05488”}，}“key”：Lin，D.D.，Talathi，S.S.，Annapureddy，V.S.（2015）深卷积网络的定点量化。arXiv-print arXiv:151106393https:\/\/arXiv.org\/abs\/1511.06393“}，{“key”：“6053_CR23”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，C.，Ding，W.，Xia，Hu，Y.，Zhang，B.，Liu，J.，Zhuang，B.，Guo，G.（2019）改进的二进制卷积网络，用于提高1位DCNN的性能。摘自：《第二十届国际人工智能联合会议论文集》，IJCAI-19，国际人工智能组织联合会议，第854\u2013860页，第10.24963\/IJCAI.2019\/120页，https:\/\/doi.org\/10.24963\/IJCAI.2019\/120“，“doi”：“10.24963\/IJCAI.2019\/120”}，{“issue”：“2”，“key”：“6053_CR24”，“doi由“：”出版商“，”第一页“：”129“，”doi“：”10.1109\/TIT.1982.1056489“，”卷“：”28“，”作者“：”S Lloyd“，”年份“：”1982“，”非结构化“：”Lloyd，S.（1982）。PCM中的最小二乘量化。IEEE Transactions on Information Theory，28（2），129\u2013137.“，“journal-title”：“IEEE Translations on Information Theory”}，{“issue”：“1”，“key”：“6053_CR25”，“doi-asserted-by”：“publisher”，“first page”：《7》，“doi”：“10.1109\/TIT.1960.1057548”，“volume”：第6卷，“author”：“J Max”，“year”：“1960”，“unstructured”：“Max，J.（1960）量化以实现最小失真。IRE Transactions on Information Theory，6（1），7\u201312.“，“journal title”：“IRE Translations on Information Theory”}，{“key”：“6053_CR26”，“unstructured”：“Mellempudi，N.，Kundu，A.，Mudigere，D.，Das，D.，Kaul，B.，Dubey，P.（2017）具有精细量化的三值神经网络。arXiv预印本arXiv:170501462http:\/\/arXiv.org\/abs\/1705.01462“}，{“key”：“6053_CR27”，“unstructured”：“Migacz，S.（2017）使用张量的8位推理。http://\/on-demand.gputechconf.com\/gtc\/2017\/presentationation\/s7310-8-bit-inference-with-tensorrt.pdf”}“：”Nagel，M.，Baalen，M.v.，Blankevort，T.，Welling，M.（2019）通过权重均衡和偏差校正实现无数据量化。摘自：IEEE计算机视觉国际会议论文集，第1325\u20131334页，http://\/openaccess.thevf.com/content_ICCV_2019\/html\/Nagel_Data-Free_Quantization_Through_Weight_Equalization_and_Bias_Correction_ICCV_2 019_paper.html“，”DOI“：”10.1109\/ICCCV.2019.00141“}，{“key”：“6053_CR29”，“DOI-asserted-by”：“crossref”，“unstructured”：“Nayak，P.，Zhang，D.，Chai，S.（2019）深度神经网络的比特有效量化。arXiv预印本arXiv:191004877http:\/\/arXiv.org\/abs\/1910.04877“，”DOI“：”10.1109\/EMC2-NIPS5302019.00020“}，{“key”：“6053_CR30”，“DOI-asserted-by”：“publisher”，“DOI”：“10.1016\/j.patrec.2019.03.026”，“author”：“H Peng”，“year”：“2019”，“unstructured”：“Peng，H.，&Chen，S.（2019）.Bdnn：用于快速目标检测的二进制卷积神经网络。模式识别字母。https:\/\/doi.org\/10.1016\/j.patrec.2019.03.026.“，”journal-title“：”Pattern Recognition Letters“}，{”issue“：”2“，”key“：”6053_CR31“，”doi-asserted-by“：”publisher“，“first page”：“155”，“doi”：“10.1093\/comjnl\/7.2.155”、“volume“7”、“author”：“MJ Powell”，“year”：“1964”，“unstructured”：“Powell，M.j.（1964）一种不计算导数而求多变量函数最小值的有效方法。《计算机杂志》，7（2），155.“，”Journal-title“：”The Computer Journal“}，{”key“：”6053_CR32“，”doi-asserted-by“：”crossref“，”unstructured“：”Yang，J.，Shen，X.，Xing，J.、Tian，X.、Li，H.、Deng，B.、Huang，J.和Hua，X.s.（2019）量化网络。In:IEEE Conference on Computer Vision and Pattern Recognition（CVPR），http://\/openaccess.thevf.com/content_CVPR_2019\/html\/Yang_Quantization_Networks_CVPR_2 019_paper.html“，”DOI“：”10.1109\/CVPR.2019.00748“}，{“key”：“6053_CR33”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，D.，Yang，J.，Ye，D.，Hua，G.（2018）Lq-nets：用于高精度和紧凑的深层神经网络的学习量化。在：欧洲计算机视觉会议（ECCV），http://\/openaccess.thevf.com/content_ECCV_2018\/html\/Dongqing_Zhang_Optimized_Quantization_for_ECCV_2 018_paper.html，“DOI”：“10.1007\/978-3-030-01237-3_23”}，{“key”：“6053_CR34”，“unstructured”：“Zhao，R.，Hu，Y.，Dotzel，J.，De\u00a0Sa，C.，Zhang，Z.（2019）使用离群信道分裂改进神经网络量化。arXiv预打印arXiv:190109504https:\/\/arXiv.org\/abs\/1901.09504“}，{“key”：“6053_CR35”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhou，Y.，Moosavi-Dezfouli，S.M.，Cheung，N.M.，Frossard，P.（2017）深度神经网络的自适应量化。arXiv-print arXiv:171201048https:\//arXiv.org/abs\/1712.01048”，“doi”：“10.1609\/aaai.v32i1.11623“}]，“container-title”：[“机器学习”]，“原始标题”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/s10994-021-06053-z.pdf”，“content-type”：“application\/pdf”、“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\/\/link.springer.com/article\/10.1007\/s10994-021-06053-z\/fulltext.html”，“content-type”：“text\/html”，“内容-版本”：“vor”，“intended-application”：“文本-分钟”}，{“URL”：“http:\/\-link.springer.com\/content\/pdf\/10007\/s10994-021-0653-z.pdf”，“content-type“：”application\/pdf“，”content-version“：”vor“，”intended d-应用程序“：“相似性检查”}]，“存放”：{“日期部分”：[[2022,10,1]]，“日期时间”：“2022-10-01T02:08:08Z”，“时间戳”：1664590088000}，“分数”：1，“资源”：{primary“：{”URL“：”https:\/\/link.springer.com\/10.1007\/s10994-021-06053-z“}”，“副标题”：[]，“短标题”：[]，“已发布”：}“日期部件”：[2021,10,1]]}，“references-count”：35，“journal-issue”：{“issue”：“11-12”，“published-print”：{“date-parts”：[2021,12]]}}，“alternative-id”：[“6053”]，“URL”：“http://\/dx.doi.org\/10.1007\/s10994-021-06053-z”，“relationship”：{}，”ISSN“：[“0885-6125”，“1573-0565”]，”ISSN-type“：[{“value”：“0885-6 125”，”type“”：“print”}，{“value”：“1573-00565”，“type”：“电子”}]，“主题”：[]，“发布”：{“日期部分”：[2021,10,1]]}，“断言”：[{“值”：“2020年11月29日”，“订单”：1，“名称”：“已收到”，“标签”：“收到”，”组“：{“name”：“Article History”，“label”：“文章历史”}}，{“value”：“2021年6月10日”，”订单“：2，”名称“：”修订“，”标签“：“修订”，“组“：ed“，”group“：{”name“：“ArticleHistory”，“label”：“ArticleHistory”｝｝，｛“value”：“2021年10月1日”，“order”：4，“name”：“first_online”，“label”：“first online”，“group”：｛“name”：“ArticleHistory”，“label”：“ArticleHistory”｝，｛“value”：“此内容已向所有人开放。”，“name”：“free”，“label”：“free to read”｝