热点事件观察中
研究提出量化矩阵乘法的乘积感知确定性舍入方法
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年9月29日，相关研究提出了一种用于量化矩阵乘法的乘积感知确定性舍入方法。该方法通过零空间缩减与条件期望补全，可在多项式时间内优化乘积误差。实验结果显示，在K=1024且r=16的平衡块测试中，该算法实现的抖动归一化中位数误差为0.010，显著低于最近舍入的0.899；同时，配合截断感知初始化，该方法可在10%截断率下将中位数归一化误差降低43.4倍。此外，在留出集实验涉及的4种测试设定下，该方案的误差表现均优于传统的最近舍入方法。
AI 根据报道生成 · 4 小时前更新
最新进展9月29日 12:00
研究提出乘积感知确定性舍入算法，在多项测试中误差均优于最近舍入。报道时间线
沿着报道，了解事件的不同侧面。
9月29日
- arXiv 机器学习用于量化矩阵乘法的乘积感知确定性舍入
研究提出用于量化矩阵乘法的乘积感知确定性舍入方法，通过零空间缩减与条件期望补全在多项式时间内优化乘积误差。在 K=1024 且 r=16 的平衡块测试中，该算法实现的抖动归一化中位数误差为 0.010，远低于最近舍入的 0.899，配合截断感知初始化可在 10% 截断率下将中位数归一化误差降低 43.4 倍。留出集实验表明，该方案在 4 种测试设定下误差均优于最近舍入。
本事件热度走势
当前热度 5·可比范围峰值 5（9月30日 12:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。