:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Meng, Chang, Burleson, Wayne, De Micheli, Giovanni
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2509.10519
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TRAM: Training Approximate Multiplier Structures for Low-Power AI Accelerators
von: Meng, Chang, et al.
Veröffentlicht: (2026)

Pruning Foundation Models for High Accuracy without Retraining
von: Zhao, Pu, et al.
Veröffentlicht: (2024)

Retraining with Predicted Hard Labels Provably Increases Model Accuracy
von: Das, Rudrajit, et al.
Veröffentlicht: (2024)

Leveraging Highly Approximated Multipliers in DNN Inference
von: Zervakis, Georgios, et al.
Veröffentlicht: (2024)

Watermarking and Anomaly Detection in Machine Learning Models for LORA RF Fingerprinting
von: Mahajan, Aarushi, et al.
Veröffentlicht: (2025)

Approximate Multiplier Induced Error Propagation in Deep Neural Networks
von: Alahakoon, A. M. H. H., et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning for Online Optimal Execution Strategies
von: Micheli, Alessandro, et al.
Veröffentlicht: (2024)

Sustainable Machine Learning Retraining: Optimizing Energy Efficiency Without Compromising Accuracy
von: Poenaru-Olaru, Lorena, et al.
Veröffentlicht: (2025)

Gaussian Approximation and Multiplier Bootstrap for Stochastic Gradient Descent
von: Sheshukova, Marina, et al.
Veröffentlicht: (2025)

A New Stochastic Approximation Method for Gradient-based Simulated Parameter Estimation
von: Li, Zehao, et al.
Veröffentlicht: (2025)

Gaussian Approximation and Multiplier Bootstrap for Federated Linear Stochastic Approximation
von: Levin, Ilya, et al.
Veröffentlicht: (2026)

Estimating the Effects of Sample Training Orders for Large Language Models without Retraining
von: Yang, Hao, et al.
Veröffentlicht: (2025)

Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing
von: Javanmard, Adel, et al.
Veröffentlicht: (2025)

Reconstruct the Pruned Model without Any Retraining
von: Wang, Pingjie, et al.
Veröffentlicht: (2024)

Leveraging Gradients for Unsupervised Accuracy Estimation under Distribution Shift
von: Xie, Renchunzi, et al.
Veröffentlicht: (2024)

ApproxDARTS: Differentiable Neural Architecture Search with Approximate Multipliers
von: Pinos, Michal, et al.
Veröffentlicht: (2024)

PANORAMIA: Privacy Auditing of Machine Learning Models without Retraining
von: Kazmi, Mishaal, et al.
Veröffentlicht: (2024)

DOMAC: Differentiable Optimization for High-Speed Multipliers and Multiply-Accumulators
von: Xue, Chenhao, et al.
Veröffentlicht: (2025)

Entropy-regularized Gradient Estimators for Approximate Bayesian Inference
von: Kaur, Jasmeet
Veröffentlicht: (2025)

Multilinear Tensor Low-Rank Approximation for Policy-Gradient Methods in Reinforcement Learning
von: Rozada, Sergio, et al.
Veröffentlicht: (2025)

Shortened LLaMA: Depth Pruning for Large Language Models with Comparison of Retraining Methods
von: Kim, Bo-Kyeong, et al.
Veröffentlicht: (2024)

On the Stability of Iterative Retraining of Generative Models on their own Data
von: Bertrand, Quentin, et al.
Veröffentlicht: (2023)

Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining
von: Hose, Henrik, et al.
Veröffentlicht: (2024)

Time to Retrain? Detecting Concept Drifts in Machine Learning Systems
von: Pham, Tri Minh Triet, et al.
Veröffentlicht: (2024)

The Limitations of Model Retraining in the Face of Performativity
von: Kabra, Anmol, et al.
Veröffentlicht: (2024)

NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification
von: Monod, Mélodie, et al.
Veröffentlicht: (2025)

Simulation-Guided Approximate Logic Synthesis Under the Maximum Error Constraint
von: Meng, Chang, et al.
Veröffentlicht: (2025)

Water Quality Estimation Through Machine Learning Multivariate Analysis
von: Cardia, Marco, et al.
Veröffentlicht: (2025)

On the Impossibility of Retrain Equivalence in Machine Unlearning
von: Yu, Jiatong, et al.
Veröffentlicht: (2025)

On the Unreasonable Effectiveness of Last-layer Retraining
von: Hill, John C., et al.
Veröffentlicht: (2025)

Principled Approximation Methods for Efficient and Scalable Deep Learning
von: Savarese, Pedro
Veröffentlicht: (2025)

Retraining-Free Merging of Sparse MoE via Hierarchical Clustering
von: Chen, I-Chun, et al.
Veröffentlicht: (2024)

Inverting the Leverage Score Gradient: An Efficient Approximate Newton Method
von: Li, Chenyang, et al.
Veröffentlicht: (2024)

Bit-Accurate Modeling of GPU Matrix Multiply-Accumulate Units: Demystifying Numerical Discrepancy and Accuracy
von: Xie, Peichen, et al.
Veröffentlicht: (2025)

Backdoor Mitigation in Deep Neural Networks via Strategic Retraining
von: Dhonthi, Akshay, et al.
Veröffentlicht: (2022)

Exploring DNN Robustness Against Adversarial Attacks Using Approximate Multipliers
von: Askarizadeh, Mohammad Javad, et al.
Veröffentlicht: (2024)

Matrix Low-Rank Approximation For Policy Gradient Methods
von: Rozada, Sergio, et al.
Veröffentlicht: (2024)

Online Resource Allocation for Edge Intelligence with Colocated Model Retraining and Inference
von: Cai, Huaiguang, et al.
Veröffentlicht: (2024)

Rethinking Explanation Evaluation under the Retraining Scheme
von: Cai, Yi, et al.
Veröffentlicht: (2025)

Theoretical Guarantees of Data Augmented Last Layer Retraining Methods
von: Welfert, Monica, et al.
Veröffentlicht: (2024)