关键词stochastic quantization
搜索结果 - 5
- 格点场论的生成扩散模型
该研究通过将生成扩散模型（DMs）与随机量子化与随机微分方程的角度链接，深入探讨了机器学习与晶格场论之间的联系。我们展示了 DMs 可以通过逆转由 Langevin 方程驱动的随机过程的方式进行概念化，从而生成来自初始分布的样本以近似目标分 - MM格点场论中的扩散模型作为随机量化
本研究通过数值模拟，证明了生成扩散模型 (DM) 可以有效减小马尔可夫链中的自相关时间，特别是在临界区域，这对于量子晶格场构型的生成具有重要意义，尤其是当生成大样本集合的成本很高时。
- 分布式全图 GNN 训练的自适应消息量化和并行化
本文研究了分布式完全图训练的图神经网络（GNNs），提出了一种快速训练系统 AdaQP，并使用随机量化和通信计算并行化等技术来降低通信成本，实现了训练吞吐量的显著提升和误差微小的准确性改进。
- 拜占庭 - 弹性安全联邦学习
本文提出了首个单服务器拜占庭容错安全的聚合框架（BREA）用于安全联邦学习，包括完整的隐私保护和网络收敛保证，基于综合随机量化、可验证的异常检测和安全的模型聚合方法，并对网络规模、用户退化和隐私保护方面进行了理论和实验分析。
- 使用随机量化学习准确的低比特深度神经网络
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。