热点事件持续更新
学者提出用于电力负荷预测的极低状态量化Transformer
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月22日，相关研究人员在arXiv发表成果，针对电力负荷预测任务探索了采用3、5、7和16状态权重量化的Transformer架构，涵盖未来1小时与24小时预测场景。实验结果显示，直接采用训练后量化（PTQ）会导致两个数据集的平均NRMSE相对全精度模型分别增加6.25和7.04个百分点；而通过量化感知微调（QAT-FT）可分别挽回约90.2%和94.5%的性能损失，此外从头开始的量化感知训练（Scratch-QAT）同样取得了优异表现。
AI 根据报道生成 · 2 小时前更新
最新进展10月22日 12:00
研究团队探索极低状态量化Transformer架构，QAT方法有效挽回了PTQ在负荷预测中的性能损失。报道时间线
沿着报道，了解事件的不同侧面。
10月22日
- arXiv 机器学习用于电力负荷预测的极低状态量化 Transformer
研究人员针对电力负荷预测探索了 3、5、7 和 16 状态权重量化的 Transformer 架构，涵盖未来 1 小时与 24 小时预测任务。直接采用 PTQ 会使两个数据集的平均 NRMSE 相对全精度增加 6.25 和 7.04 个百分点，而 QAT-FT 挽回了约 90.2% 和 94.5% 的性能损失，Scratch-QAT 同样表现优异。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。