实践中的学习：关于量化的推理
机器学习
2019-05-29 v1 机器学习
摘要
统计机器学习的标准理论分析与实际中如何使用学习之间存在不匹配。支撑该理论的基础假设是我们可以用实值参数表示特征和模型。然而在实践中，我们在训练或部署的任何阶段都不使用实数，而是依赖实数的离散有限量化，通常是浮点数。在本文中，我们提出了一个用于在任意量化下推理学习的框架。利用这一形式化方法，我们证明了感知机(Perceptron)和 Frank-Wolfe 算法的量化感知版本的收敛性。最后，我们报告了一项使用广泛数据集对量化影响的广泛实证研究的结果。
引用
@article{arxiv.1905.11478,
title = {Learning In Practice: Reasoning About Quantization},
author = {Annie Cherkaev and Waiming Tai and Jeff Phillips and Vivek Srikumar},
journal= {arXiv preprint arXiv:1905.11478},
year = {2019}
}