返回
Improving data-free quantization with confidence-guided data synthesis
DOI:10.1016/j.icte.2026.03.021.png)
摘要
En 中文
无数据量化(DFQ)实现了无需真实数据的模型量化。因此,DFQ的精度很大程度上受生成样本的影响。然而,我们发现全精度模型对真实样本和合成样本预测的置信度分布存在显著差异,这种分布差异损害了量化精度。为解决此问题,我们在合成数据生成过程中引入熵正则化,使其更接近真实数据。此外,在量化感知训练期间,我们提出缩放对数概率对齐以弥合模型间的表示差距。我们的方法在ViT、CNN和目标检测器架构上,相比最新的DFQ方法取得了更优的性能。
Keyword:
Data-free quantization
Zero-shot quantization
Model quantization
Model compression
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.2
论文数:
1.0K
被引数:
2.5K
机构
暂无机构信息

