Diffusion Transformers (DiTs) are improved by Hybrid Floating-point Quantization (HQ-DiT), a post-training quantization method utilizing 4-bit floating-point precision on both weights and activations, resulting in low-precision quantization with minimal impact on performance.

May, 2024

提出了一种基于自编码器的自监督度量方法（VQScore），用于评估语音质量，并结合领域知识进行模型设计，同时训练自主语音增强模型以改进编码器的鲁棒性。实验结果表明，该方法和增强模型与有监督基线模型具有竞争力。

Feb, 2024

HEQuant 是基于低精度量化感知优化的 HE 协议，在保护数据隐私的同时能够显著降低通信开销和延迟，相较于其他先前的 HE 协议和网络优化框架，HEQuant 在通信和性能方面都能取得显著的提升。

Jan, 2024

我们提出了一种调节与量化误差密切相关的分布范围接近于脉冲的正则化膜电位损失 (RMP-Loss) 的方法，该方法非常简单易于实现和训练 SNN，并且在不同网络架构和数据集上始终表现优于以往的最先进方法。

Aug, 2023

本文提出了利用 Lipschitz 连续性作为二进制神经网络 (BNN) 模型鲁棒性的准确度量标准，并通过正则化方法，采用保留矩阵来近似目标权重矩阵的谱范数，以强化二进制神经网络的鲁棒性。实验证明，该方法在 CIFAR 和 ImageNet 数据集上能够达到最先进水平的性能。

Jul, 2022

本文提出了一种基于分布鲁棒优化的普适认证框架，旨在弥补现有基准数据集在测试时无法全面评估领域通用算法的局限性，并提出了一种训练算法，可以用于改进其认证性能。实证评估表明，该方法显著提高了风险压力下模型的最坏损失，而在基准数据集上并未出现显著的性能下降。

Jun, 2022

本论文提出一种双相转换算法，通过减少量化误差、裁剪误差和残余膜电势表示误差来提高深度脉冲神经网络（SNN）的准确性，并在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上表现出与人工神经网络（ANNs）相当的准确性和更低的能源消耗。

May, 2022

本文提出 Gradual Self-Training 算法，通过逐步适应介于源域和目标域之间的中间域，使得在目标域上的泛化误差得到大幅度改善，在更为宽松的假设条件下给出了推导的新的上界，该上界只在 T 上线性地，加性地依赖于一系列基础参数，其中包括平均分布距离，不仅意味着最优的中间域数量存在，还暗示了一种最优的构建方式，同时在多个数据集上验证了该理论可行性。

Apr, 2022

本文提出了一种强大的图像哈希算法，名为 OSCAR-Net，它能对在线传播的图片进行匹配，并对精细细节进行注意力处理。通过对原始和修改图片的数据集进行对比学习训练，其得到的哈希值可用于内容指纹，适用于数百万张图片。

Aug, 2021

本文提出了一种基于 SimCC 的 Human Pose Estimation 方法，通过将像素划分为多个 bin，实现了 sub-pixel 级别的定位精度和较低的量化误差，从而达到了更加简单和有效的流程，并在多个数据集上的实验证明了其更好的性能。

Jul, 2021