本文介绍了一种新颖的混合神经网络结构，Hybrid Binary Neural Network（HyBNN），其由一个任务无关的、通用的、全精度变分自动编码器和一个任务特定的二进制神经网络组成，它能够通过使用全精度变分自动编码器作为特征提取器大大限制输入二元化引起的准确性损失，结合深度神经网络的最先进的准确性以及二进制神经网络的更快的训练时间、更快的测试时间推理和更高的功率效率。我们展示了我们提出的系统能够明显优于常规的二进制神经网络。此外，我们还介绍了 FedHyBNN，这是 HyBNN 的高度通信效率的联邦学习版本，并证明它能够达到与其非联邦版本相同的准确性。

May, 2022

本研究探讨了二值化神经网络的形式验证问题，并使用硬件验证的约减方法对其进行了验证，通过证明找到最优 factor（因数）的 NP - 难度和 PTAS 可近似难度，设计出了多项式时间搜索启发式解法来生成因数解，整个框架可以应用于具有数千个神经元和输入的嵌入式设备的中等规模 BNN 的验证技术。

Oct, 2017

研究提出了一个名为 FracBNN 的新型二进制神经网络模型，利用分数激活方法，通过双精度激活方案和新型冷却器编码等技术解决旧模型在现实数据集（如 ImageNet）表现不佳的问题。FracBNN 可以实现同等规模的 MobileNetV2 的精准率，且模型尺寸减少了 2.5 倍。在嵌入式 FPGA 设备上，FracBNN 显示出实时图像分类的能力。

Dec, 2020

为了应用 DNN 在移动设备中，我们提出了压缩 QNN 的新编码方案，使用 {-1, +1} 将其分解成多个二进制网络，使用位运算 (xnor 和 bitcount) 实现模型压缩、计算加速和资源节约。我们的方法非常适合在 FPGA 和 ASIC 上使用，验证了在大规模图像分类 (例如 ImageNet) 和物体检测任务中具有与全精度相近的性能。

May, 2019

本文介绍了一种使用对比学习和最大化互信息的方法来使用二进制神经网络实现更好的分类和分割结果，以减少因为二值化操作而导致的信息丢失。

Jul, 2022

该论文研究了如何在 BNN 网络中使用 padding 提高分类准确率的同时，仍然保持 1 位数据通路。作者展示了该方法的灵活性和可扩展性，并在 ADM-PCIE-8K5 平台上实现了大型 BNN 分类的快速和精确。

Jan, 2017

本篇论文介绍了一种通过二值化权重和激活训练神经网络的方法，并在 Torch7 和 Theano 框架上进行了实验，在 MNIST、CIFAR-10 和 SVHN 数据集上取得了接近最佳水平的结果。同时，作者提出了一种二进制矩阵乘法 GPU 核函数，使得 MNIST BNN 可以比优化前快 7 倍，而不影响分类准确性。

Feb, 2016

该研究论文提出了一种自动机理论方法，通过量化深度神经网络，特别是二值化神经网络，来减少计算与存储成本，并通过表格法实现综合过程，使用 SMT 求解器确定网络的超参数，并在实验中证明其在提高神经网络的个体公平性和局部鲁棒性方面的有效性。

Jul, 2023

我们学习到一种能够关联可达状态的表示方法，通过学习多步逆动力学获得一个潜在表示，并将其转换为在 l2 空间中关联可达状态，这种方法可以显著提高采样效率，并实现层次化规划。

Nov, 2023

本研究提出了一种通过学习二元核子空间内的非重复核来压缩典型的二进制神经网络模型的方法，通过 Gumbel-Sinkhorn 技术近似码字选择过程，在可比较的预算下实现了模型大小和计算成本的降低，并获得了与现有技术相比的精度提升。

Mar, 2023