Buchumschlag

ECQ$^{\text{x}}$: Explainability-Driven Quantization for Low-Bit and Sparse DNNs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Becking, Daniel, Dreyer, Maximilian, Samek, Wojciech, Müller, Karsten, Lapuschkin, Sebastian
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sparse, Efficient and Explainable Data Attribution with DualXDA
von: Yolcu, Galip Ümit, et al.
Veröffentlicht: (2024)

From What to How: Attributing CLIP's Latent Components Reveals Unexpected Semantic Reliance
von: Dreyer, Maximilian, et al.
Veröffentlicht: (2025)

PURE: Turning Polysemantic Neurons Into Pure Features by Identifying Relevant Circuits
von: Dreyer, Maximilian, et al.
Veröffentlicht: (2024)

Reactive Model Correction: Mitigating Harm to Task-Relevant Features via Conditional Bias Suppression
von: Bareeva, Dilyara, et al.
Veröffentlicht: (2024)

Iterative Inference in a Chess-Playing Neural Network
von: Sandmann, Elias, et al.
Veröffentlicht: (2025)

From Attribution Maps to Human-Understandable Explanations through Concept Relevance Propagation
von: Achtibat, Reduan, et al.
Veröffentlicht: (2022)

Mechanistic understanding and validation of large AI models with SemanticLens
von: Dreyer, Maximilian, et al.
Veröffentlicht: (2025)

Explaining Predictive Uncertainty by Exposing Second-Order Effects
von: Bley, Florian, et al.
Veröffentlicht: (2024)

Ensuring Medical AI Safety: Interpretability-Driven Detection and Mitigation of Spurious Model Behavior and Associated Data
von: Pahde, Frederik, et al.
Veröffentlicht: (2025)

Pruning By Explaining Revisited: Optimizing Attribution Methods to Prune CNNs and Transformers
von: Hatefi, Sayed Mohammad Vakilzadeh, et al.
Veröffentlicht: (2024)

Atlas-Alignment: Making Interpretability Transferable Across Language Models
von: Puri, Bruno, et al.
Veröffentlicht: (2025)

Understanding the (Extra-)Ordinary: Validating Deep Model Decisions with Prototypical Concept-based Explanations
von: Dreyer, Maximilian, et al.
Veröffentlicht: (2023)

From Attribution to Action: A Human-Centered Application of Activation Steering
von: Labarta, Tobias, et al.
Veröffentlicht: (2026)

Post-Hoc Concept Disentanglement: From Correlated to Isolated Concept Representations
von: Erogullari, Eren, et al.
Veröffentlicht: (2025)

Attribution-Guided Pruning for Insight and Control: Circuit Discovery and Targeted Correction in Small-scale LLMs
von: Hatefi, Sayed Mohammad Vakilzadeh, et al.
Veröffentlicht: (2025)

Explainable concept mappings of MRI: Revealing the mechanisms underlying deep learning-based brain disease classification
von: Tinauer, Christian, et al.
Veröffentlicht: (2024)

Navigating Neural Space: Revisiting Concept Activation Vectors to Overcome Directional Divergence
von: Pahde, Frederik, et al.
Veröffentlicht: (2022)

Human-Centered Evaluation of XAI Methods
von: Dawoud, Karam, et al.
Veröffentlicht: (2023)

AttnLRP: Attention-Aware Layer-Wise Relevance Propagation for Transformers
von: Achtibat, Reduan, et al.
Veröffentlicht: (2024)

Relevance-driven Input Dropout: an Explanation-guided Regularization Technique
von: Gururaj, Shreyas, et al.
Veröffentlicht: (2025)

Efficient Federated Learning Tiny Language Models for Mobile Network Feature Prediction
von: Becking, Daniel, et al.
Veröffentlicht: (2025)

Circuit Insights: Towards Interpretability Beyond Activations
von: Golimblevskaia, Elena, et al.
Veröffentlicht: (2025)

Contrastive Semantic Projection: Faithful Neuron Labeling with Contrastive Examples
von: Bouanani, Oussama, et al.
Veröffentlicht: (2026)

Quanda: An Interpretability Toolkit for Training Data Attribution Evaluation and Beyond
von: Bareeva, Dilyara, et al.
Veröffentlicht: (2024)

Building Trust in PINNs: Error Estimation through Finite Difference Methods
von: Krasowski, Aleksander, et al.
Veröffentlicht: (2026)

Optimizing Federated Learning by Entropy-Based Client Selection
von: Lutz, Andreas, et al.
Veröffentlicht: (2024)

FADE: Why Bad Descriptions Happen to Good Features
von: Puri, Bruno, et al.
Veröffentlicht: (2025)

Model Science: getting serious about verification, explanation and control of AI systems
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2025)

Dyslexify: A Mechanistic Defense Against Typographic Attacks in CLIP
von: Hufe, Lorenz, et al.
Veröffentlicht: (2025)

Position: Explain to Question not to Justify
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2024)

LieSolver: A PDE-constrained solver for IBVPs using Lie symmetries
von: Klausen, René P., et al.
Veröffentlicht: (2025)

Strategic Dishonesty Can Undermine AI Safety Evaluations of Frontier LLMs
von: Panfilov, Alexander, et al.
Veröffentlicht: (2025)

Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation
von: Weber, Leander, et al.
Veröffentlicht: (2023)

PINNfluence: Influence Functions for Physics-Informed Neural Networks
von: Naujoks, Jonas R., et al.
Veröffentlicht: (2024)

Leveraging Influence Functions for Resampling Data in Physics-Informed Neural Networks
von: Naujoks, Jonas R., et al.
Veröffentlicht: (2025)

LittleBit: Ultra Low-Bit Quantization via Latent Factorization
von: Lee, Banseok, et al.
Veröffentlicht: (2025)

Learning Grouped Lattice Vector Quantizers for Low-Bit LLM Compression
von: Zhang, Xi, et al.
Veröffentlicht: (2025)

InfoQuant: Shaping Activation Distributions for Low-Bit LLM Quantization
von: Li, Ke, et al.
Veröffentlicht: (2026)

Why Do Some Inputs Break Low-Bit LLM Quantization?
von: Chang, Ting-Yun, et al.
Veröffentlicht: (2025)

SplitQuant: Layer Splitting for Low-Bit Neural Network Quantization
von: Song, Jaewoo, et al.
Veröffentlicht: (2025)