:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lee, Jemin, Kwon, Yongin, Park, Sihyeong, Yu, Misun, Park, Jeman, Song, Hwanjun
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2303.12557
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Correction to “NEST‐C: A deep learning compiler framework for heterogeneous computing systems with artificial intelligence accelerators”
von: Jeman Park, et al.
Veröffentlicht: (2024)

Mixed Non-linear Quantization for Vision Transformers
von: Kim, Gihwan, et al.
Veröffentlicht: (2024)

Exploring the Trade-Offs: Quantization Methods, Task Difficulty, and Model Size in Large Language Models From Edge to Giant
von: Lee, Jemin, et al.
Veröffentlicht: (2024)

QFlash: Bridging Quantization and Memory Efficiency in Vision Transformer Attention
von: Oh, Sehyeon, et al.
Veröffentlicht: (2026)

IPTQ-ViT: Post-Training Quantization of Non-linear Functions for Integer-only Vision Transformers
von: Kim, Gihwan, et al.
Veröffentlicht: (2025)

QuantuneV2: Compiler-Based Local Metric-Driven Mixed Precision Quantization for Practical Embedded AI Applications
von: Kim, Jeongseok, et al.
Veröffentlicht: (2025)

Visual Preference Inference: An Image Sequence-Based Preference Reasoning in Tabletop Object Manipulation
von: Lee, Joonhyung, et al.
Veröffentlicht: (2024)

A Review on Proprietary Accelerators for Large Language Models
von: Park, Sihyeong, et al.
Veröffentlicht: (2025)

ML$^2$Tuner: Efficient Code Tuning via Multi-Level Machine Learning Models
von: Cha, JooHyoung, et al.
Veröffentlicht: (2024)

A Survey on Inference Engines for Large Language Models: Perspectives on Optimization and Efficiency
von: Park, Sihyeong, et al.
Veröffentlicht: (2025)

APHQ-ViT: Post-Training Quantization with Average Perturbation Hessian Based Reconstruction for Vision Transformers
von: Wu, Zhuguanyu, et al.
Veröffentlicht: (2025)

DopQ-ViT: Towards Distribution-Friendly and Outlier-Aware Post-Training Quantization for Vision Transformers
von: Yang, Lianwei, et al.
Veröffentlicht: (2024)

MPTQ-ViT: Mixed-Precision Post-Training Quantization for Vision Transformer
von: Tai, Yu-Shan, et al.
Veröffentlicht: (2024)

MimiQ: Low-Bit Data-Free Quantization of Vision Transformers with Encouraging Inter-Head Attention Similarity
von: Choi, Kanghyun, et al.
Veröffentlicht: (2024)

ADFQ-ViT: Activation-Distribution-Friendly Post-Training Quantization for Vision Transformers
von: Jiang, Yanfeng, et al.
Veröffentlicht: (2024)

TesseraQ: Ultra Low-Bit LLM Post-Training Quantization with Block Reconstruction
von: Li, Yuhang, et al.
Veröffentlicht: (2024)

P$^2$-ViT: Power-of-Two Post-Training Quantization and Acceleration for Fully Quantized Vision Transformer
von: Shi, Huihong, et al.
Veröffentlicht: (2024)

Trio-ViT: Post-Training Quantization and Acceleration for Softmax-Free Efficient Vision Transformer
von: Shi, Huihong, et al.
Veröffentlicht: (2024)

MGRQ: Post-Training Quantization For Vision Transformer With Mixed Granularity Reconstruction
von: Yang, Lianwei, et al.
Veröffentlicht: (2024)

FIMA-Q: Post-Training Quantization for Vision Transformers by Fisher Information Matrix Approximation
von: Wu, Zhuguanyu, et al.
Veröffentlicht: (2025)

Reasoning over Video: Evaluating How MLLMs Extract, Integrate, and Reconstruct Spatiotemporal Evidence
von: Bang, Seunghwan, et al.
Veröffentlicht: (2026)

Towards Next-Level Post-Training Quantization of Hyper-Scale Transformers
von: Kim, Junhan, et al.
Veröffentlicht: (2024)

Shifted symplectic rigidification
von: Park, Hyeonjun, et al.
Veröffentlicht: (2026)

PTQ4VM: Post-Training Quantization for Visual Mamba
von: Cho, Younghyun, et al.
Veröffentlicht: (2024)

Q-DiT: Accurate Post-Training Quantization for Diffusion Transformers
von: Chen, Lei, et al.
Veröffentlicht: (2024)

HyQuRP: Hybrid quantum-classical neural network with rotational and permutational equivariance
von: Park, Semin, et al.
Veröffentlicht: (2026)

Smoothie-Qwen: Post-Hoc Smoothing to Reduce Language Bias in Multilingual LLMs
von: Ji, SeungWon, et al.
Veröffentlicht: (2025)

Alignment Tuning for Large Language Models: A Data-Centric Lens on Alignment Data Pipelines
von: Song, Hwanjun
Veröffentlicht: (2026)

LampQ: Towards Accurate Layer-wise Mixed Precision Quantization for Vision Transformers
von: Kim, Minjun, et al.
Veröffentlicht: (2025)

Markerless 6D Pose Estimation and Position-Based Visual Servoing for Endoscopic Continuum Manipulators
von: Park, Junhyun, et al.
Veröffentlicht: (2026)

Controllable Skyrmion Islands in a Moiré Magnet
von: Park, Jemin, et al.
Veröffentlicht: (2024)

JetViT: Efficient High-Resolution Vision Transformer with Post-Training Attention Search
von: Zou, Dongyun, et al.
Veröffentlicht: (2026)

ViTGAN: Training GANs with Vision Transformers
von: Lee, Kwonjoon, et al.
Veröffentlicht: (2021)

Progressive Fine-to-Coarse Reconstruction for Accurate Low-Bit Post-Training Quantization in Vision Transformers
von: Ding, Rui, et al.
Veröffentlicht: (2024)

Reallocation of Nonlocal Entanglement in Incommensurate Cold Atom Arrays
von: Park, Jemin, et al.
Veröffentlicht: (2025)

M$^2$-ViT: Accelerating Hybrid Vision Transformers with Two-Level Mixed Quantization
von: Liang, Yanbiao, et al.
Veröffentlicht: (2024)

AdaLog: Post-Training Quantization for Vision Transformers with Adaptive Logarithm Quantizer
von: Wu, Zhuguanyu, et al.
Veröffentlicht: (2024)

AIQViT: Architecture-Informed Post-Training Quantization for Vision Transformers
von: Jiang, Runqing, et al.
Veröffentlicht: (2025)

Visual Accommodation: Rethinking Image Scale as a Learnable Variable for Object Detection
von: Seo, Daeun, et al.
Veröffentlicht: (2024)

HarmoQ: Harmonized Post-Training Quantization for High-Fidelity Image
von: Wang, Hongjun, et al.
Veröffentlicht: (2025)