通过引入可微分的随机量化器,通过多个不同的量化神经网络学习输入图像的不同表示,提高量化过的深度神经网络对白盒对抗攻击的鲁棒性。在不同威胁模型上进行统一分析,通过相关性将互信息和准确率结合,检测攻击并生成鲁棒性图谱。
Nov, 2023
本文提出了一种名为 WAGEUBN 的统一完整量化框架,可将神经网络的数据路径(包括所有数据类型 W,A,G,E,U 和 BN)中所有数据转换为低位整数以实现全面量化和在线训练,并在 ImageNet 数据集上获得了可比较的精度,展示了在大规模 DNNs 中 8 位 INT 级别的完整量化的功能性。
Sep, 2019
本文提出了一种快速特征生成技术,可以对深度神经网络进行快速的安全检测,尤其是可以在几秒钟内检测出所谓的后门 (backdoors),并且无需大量计算资源和训练数据。
Jul, 2020
通过基于神经网络的方法来实现速率 - 失真优化量化 (RDOQ), 用于视频压缩标准 HEVC 中的后量化步骤中,使其在实时硬件编码器中的执行开销降低。该方法在 HM 16.20 中的实现,比起标量量化方法能够获得更好的性能表现,同时在光度方面实现了 1.64% BD-rate 的节省,是一个可行的代替 RDOQ 算法的解决方案。
Dec, 2020
本文提出了一种全新的可完全微分的非均匀量化器,在轻量级神经网络(如 MobileNetV1,MobileNetV2 和 ShuffleNetV2)上取得了最优的准确性 - 复杂度平衡,并成功地解决了将神经网络部署到资源受限设备上的问题。
本文介绍了一种用于学习准确的低比特深度神经网络的随机量化算法,其逐渐将网络量化,并可显著提高在不同数据集和结构上的低比特深度神经网络的准确度,适用于嵌入式应用。
Aug, 2017
利用基于循环神经网络的机器学习模型来优化动力解耦(DD)序列,通过对比实验结果表明该方法能够提高量子存储器的性能和噪声抑制,且易于在实验中执行。
Apr, 2016
该研究旨在解决如何创建可部署在资源受限的嵌入式设备上的精确、稳健、小型的深度神经网络模型的挑战,并报告了使用自动量化感知训练框架 QKeras 训练的鲁棒性小型 DNN 模型的结果,该模型稳健性能显著优于现有基准测试。
Apr, 2023
本研究发现神经网络量化和抵御对抗攻击这两条不同的路线可以合并,提出了动态量化激活方法以训练鲁棒神经网络,并在 MNIST 和 CIFAR-10 数据集上的广泛实验证明了该方法能够有效提高深度神经网络的鲁棒性。
Jul, 2018
本研究探讨深度神经网络的量化,并设计 TQuant 和 MQuant 两个操作符以最大化最小化的误差从而显著提高性能。
Jun, 2023