Channel Capacity under the Subtractive Dithered Quantization Model
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院电信学院通信与电子学实验室）；SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris（巴黎理工学院南巴黎电信学院信息、自动与控制建模实验室）；Université Paris-Saclay, CNRS, CentraleSupélec, Laboratoire des Signaux et Systèmes（巴黎萨克雷大学、法国国家科学研究中心、中央理工-高等电力学院信号与系统实验室）
研究加性高斯白噪声信道后接减性抖动均匀量化器的容量，基于熵功率不等式推导平均功率和峰值幅度约束下的容量界，数值结果表明K级量化器用K个质量点的离散星座可实现近最优速率。
2026-08-18 cs.IT eess.SP math.IT
Learning-Based One-Bit Maximum Likelihood Detection for Massive MIMO Systems: Dithering-Aided Adaptive Approach
针对高SNR下一比特MIMO系统似然估计需大量训练的问题，提出一种基于学习的自适应抖动辅助最大似然检测框架，无需显式信道估计即可提升未编码与编码系统性能。
2024-03-22 cs.IT eess.SP math.IT
A Nuclear-Norm Lower Bound for Dithered Scalar Quantization of Matrix Products
Oak Ridge National Laboratory（橡树岭国家实验室）
针对量化矩阵乘法误差最小化问题，通过保积变换优化因子范围，证明输出误差的核范数下界，并给出达到该界的SVD对齐Hadamard和DCT构造，刻画了全规范最优。
2026-09-09 cs.IT cs.LG cs.NA
One Bit to Rule Them All : Binarizing the Reconstruction in 1-bit Compressive Sensing
这项工作的重点是重建稀疏信号从他们的1位测量。上下文是1位压缩感知的上下文，其中测量相当于量化（抖动）随机投影。我们的主要贡献表明，除了测量过程，我们还可以用传感矩阵的二进制化来重建信号。测量和感测矩阵的这种二进制表示可以极大地简化嵌入式系统上的硬件架构，从而实现更便宜、更节能的替代方案。在这个框架内，给定一个传感矩阵尊重的限制等距属性（RIP），我们证明了任何稀疏信号的量化投影反投影（QPBP）算法实现了重建误差衰减像O（m-1/2）时，测量的数量m增加。仿真突出了不同的传感场景，包括随机部分傅立叶传感的实用性的开发计划。
2020-08-24 cs.IT eess.SP math.IT
Near-Optimal Lower Bounds on One-Bit Compressed Sensing of Approximately Sparse Signals
Columbia University（哥伦比亚大学）；Halıcıoğlu Data Science Institute, UC San Diego（哈奇奥卢数据科学研究所，加州大学圣迭戈分校）
研究近似稀疏信号的一位压缩感知的近最优下界，通过将小球嵌入信号集，为标准和抖动模型建立下界，扩展到$\ell_q$球中的信号，还讨论了下界到其他情况的扩展及非稀疏情况的转变。
2026-07-09 cs.IT eess.SP math.IT
Quantization for Soft-Output Demodulators in Bit-Interleaved Coded Modulation Systems
研究了比特交织编码调制（BICM）系统中对数似然比（LLR）的量化问题。我们建议设计的量化器，使量化器的输出成为等概率。我们调查半解析和数值上的遍历和中断容量在单天线和多天线信道不同的量化器。最后，我们展示了比特出错率模拟BICM系统的LLR量化使用率1/2低密度奇偶校验码。
2009-05-05 cs.IT math.IT
Reliable one-bit quantization of bandlimited graph data via single-shot noise shaping
Ludwig-Maximilians-Universität（路德维希-马克西米利安大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Technical University of Munich（慕尼黑工业大学）；Munich Data Science Institute（慕尼黑数据科学研究所）
本文提出一种高效单次噪声整形方法，在低通滤波下实现图结构带限数据的低比特率量化，具有最先进的性能和严格误差界。
2026-05-07 cs.IT math.IT
One-Bit Quantization Design and Adaptive Methods for Compressed Sensing
已经有许多关于从一位量化测量恢复稀疏信号的研究。然而，很少有人注意到量化阈值的选择及其对信号恢复性能的影响。本文探讨了一位量化器的稀疏信号恢复设计的问题。我们的分析表明，以往困扰传统的一位压缩感知方法的幅度模糊性可以得到解决，并且可以通过设置量化阈值足够接近原始数据样本而无需量化来实现任意小的重建误差。注意，未量化的数据样本实际上是不可访问的。为了克服这个困难，我们提出了一种自适应量化方法，自适应地调整量化阈值的方式，使阈值收敛到最佳阈值。数值实验结果表明了本文的理论结果和算法的有效性.
2013-05-18 cs.IT math.IT
Spatial Oversampling in LOS MIMO Systems with 1-Bit Quantization at the Receiver
在本文中，我们研究的LOS MIMO系统，使用1位量化和空间过采样在接收端的可达到的速率。我们建议，通过使用额外的天线在接收端，所产生的损失，由于量化的强限制，可以减少。互信息的结果表明，相当大的速率增益可以实现依赖于天线的数量和安排。在某些情况下，甚至可以获得来自发射机的全部可用速率。此外，结果还表明，二维天线阵列可以受益于空间过采样比一维阵列，当使用1位量化在LOS MIMO场景。
2017-02-10 cs.IT math.IT
Quantization and Bit Allocation for Channel State Feedback for Relay-Assisted Wireless Networks
研究了多源单中继协作蜂窝网络中信道状态信息（CSI）的量化和无线链路间的比特分配问题。我们的目标是最大限度地减少性能的损失，衡量可实现的总和速率，由于有限的量化率的CSI。我们开发了一个信道量化方案和分配有限的反馈位的各种无线链路。我们假设量化的CSI被报告给负责最优资源分配的中心节点。我们首先推导出严格的下限和上限之间的差异，完美的CSI和量化CSI的情况下的速率。这些界限，然后用于推导出一个有效的量化器为任意信道分布。接下来，我们使用这些界限来优化分配的比特在整个链路上的预算对总可用的量化比特。特别是，我们表明，最佳的比特分配算法分配更多的位在网络中的那些链接，最有助于总和速率。最后，本文研究了中心节点的选择，我们表明，这种选择起着重要的作用，在CSI位需要达到一个目标的性能水平。
2011-12-04 cs.IT math.IT
Spectral Efficient Communications employing 1-Bit Quantization and Oversampling at the Receiver
为了放宽在多吉比特/秒通信系统中的功耗要求，可以使用低分辨率量化。信息理论的结果表明，系统采用1位量化和过采样是一个可行的选择。本文研究了加性高斯噪声和两个匹配的脉冲成形滤波器的影响下，这样的结构。它描述了一个BCJR算法，基于有限状态信道假设，可以用来重建更高阶的调制方案，允许每个符号的一个以上的比特的传输的符号。此外，它示出了如何符号源，适合1位约束可以显着提高系统的出错率性能。
2016-04-12 cs.IT math.IT
Information Rates for Faster-Than-Nyquist Signaling with 1-Bit Quantization and Oversampling at the Receiver
过采样结合低量化分辨率已被证明是一个可行的选择时，在多千兆位/秒的通信系统的能源效率的目标。这项工作考虑了1位量化与过采样相结合的情况，并显示了如何使用匹配的脉冲整形滤波器和比奈奎斯特信号更快地提高这样一个系统的性能。信道被认为是与加性高斯噪声和系统的性能进行评估，在可实现的信息速率下，逐符号检测。
2016-04-12 cs.IT math.IT
High order low-bit Sigma-Delta quantization for fusion frames
我们构造了高阶低比特Sigma-Delta $(ΣΔ)$量化器，用于融合帧的向量值设置。我们证明了这些$ΣΔ$量化器可以稳定地实现，以使用$\log_2( {\rm dim}(W_n)+1)$位每测量的子空间$W_n$上的融合帧测量。信号重建使用的版本的Sobolev插值融合帧，并给出了数值实验，以验证整体性能。
2020-10-03 cs.IT math.IT
Narrowband Channel Estimation for Hybrid Beamforming Millimeter Wave Communication Systems with One-bit Quantization
毫米波（mmWave）频谱由于其巨大的可用带宽而引起关注。毫米波频带中的高传播损耗需要使用大量天线进行波束成形。传统上，每个天线都与高速模数转换器（ADC）配对，这导致高功耗。为了降低功耗，人们提出了混合波束成形架构和一位分辨率ADC。然而，模拟波束成形和一比特量化使得信道估计更具挑战性。本文提出了一种基于广义近似消息传递（GAMP）的毫米波通信系统窄带信道估计算法。我们通过仿真表明，1）GAMP变体与一位ADC具有更好的性能比没有量化的最小二乘估计方法，2）所提出的一位GAMP算法实现了最低的估计误差的GAMP变体中，和3）利用更多的帧和RF链提高信道估计性能。
2018-05-30 cs.IT math.IT
Continuous Phase Modulation With 1-Bit Quantization and Oversampling Using Iterative Detection and Decoding
考虑了一个具有连续相位调制和1位过采样ADC的通道。由于过采样，高阶调制产生更高的可实现的速率，这项工作提出了一种方法来接近这与复杂的编码。提出了一种定制的比特映射，其中可以在高SNR下可靠地检测到两个比特，并且只有第三个比特遭受错误平层。这样，卷积码仅应用于第三比特。我们的实验表明，与传统的信道编码的情况相比，所提出的方法对应于较低的BER。
2019-12-04 cs.IT math.IT
MMSE precoder for massive MIMO using 1-bit quantization
提出了一种新的线性最小均方误差（MMSE）预编码器的下行链路（DL）大规模多输入多输出（MIMO）的情况下设计。出于经济和计算效率的原因，使用低分辨率1位数模（DAC）和模数（ADC）转换器。这是以性能增益为代价的，性能增益可以通过在基站（BS）处部署的大量天线和适当的预编码器设计来恢复，以减轻由于粗量化引起的失真。所提出的预编码器考虑了量化非线性，并分为数字预编码器和模拟预编码器。我们制定了两阶段的预编码问题，使用户的MSE最小化下的1位约束。在模拟中，我们比较了新的优化预编码方案与以前提出的线性预编码器的未编码的误码率（BER）。
2017-06-27 cs.IT math.IT
Limited Feedback in Multiple-Antenna Systems with One-Bit Quantization
具有低分辨率模数转换器（ADC）的通信系统可以在发射机（CSIT）和接收机处利用信道状态信息。本文介绍了一位ADC有限反馈系统的码本设计和性能分析的初步结果。与高分辨率情况不同，当接收信号由1位ADC切片时，接收器处的绝对相位对于对齐接收信号的相位很重要。提出了一种新的码本设计波束形成的情况下，分别量化的信道方向和残余相位。
2015-12-21 cs.IT math.IT
Optimal Shape-Gain Quantization for Multiuser MIMO Systems with Linear Precoding
研究了基于线性预编码的多用户多输入多输出下行链路系统中无线信道形状增益矢量量化的最优比特分配问题。我们的设计最大限度地减少了原始和量化的通道之间的均方误差，通过最佳的比特分配的形状（方向）和增益（幅度）为每个用户的固定反馈开销。这被示出为显著减少量化误差，这又减少MU干扰。本文主要做了三个方面的贡献：首先，我们专注于信道增益量化和推导的量化失真，基于欧几里德距离测量，对应于一个MIMO信道的奇异值。其次，我们表明，欧几里德距离为基础的失真的单位范数复杂的信道，由于形状量化，是成比例的\frac{2^{-2Bs}}{2M-1}，其中，Bs是形状量化比特的数量和M是发射天线的数量。最后，我们表明，对于复杂空间中的通道，并允许一个大的反馈开销，方向量化位的数量应该是大约（2 M- 1）倍的通道幅度量化位的数量。
2011-11-29 cs.IT math.IT
Quantization Design and Channel Estimation for Massive MIMO Systems with One-Bit ADCs
研究了上行链路多用户大规模MIMO系统的信道估计问题。为了显著降低系统的硬件成本和功耗，在基站（BS）使用1位模数转换器（ADC）对接收信号进行解调。由于粗量化导致的严重失真，1比特大规模MIMO系统的信道估计具有挑战性。以前的研究表明，需要非常长的训练序列才能获得可接受的性能。本文研究了一比特大规模MIMO系统中信道估计的最优一比特量化设计问题。我们的分析表明，如果量化阈值是最佳设计的，使用一位ADC可以实现的估计误差接近（增加了一个因素的$π/2$），一个理想的估计器，可以访问未量化的数据。然而，最佳量化阈值取决于未知的信道参数。为了应付这个困难，我们提出了一个自适应量化（AQ）的方法，其中的阈值自适应调整的方式，使阈值收敛到最佳阈值，和随机量化（RQ）计划，随机生成一组不相同的阈值的基础上的一些统计先验知识的信道。仿真结果表明，我们提出的AQ和RQ方案，由于他们明智地设计的阈值，提出了一个显着的性能改善传统的固定量化方案，使用一个固定的（通常为零）阈值，同时实现了大量的训练开销减少信道估计。特别地，即使具有中等数量的导频符号（大约是用户数量的5倍），AQ方案也可以提供接近于完美信道状态信息（CSI）情况的可实现速率的可实现速率。
2017-04-16 cs.IT math.IT
Bit Allocation Law for Multi-Antenna Channel Feedback Quantization: Single-User Case
本文研究了多天线发射单天线接收的有限反馈单用户系统的设计与优化。设计问题的形式是在用户中断概率约束下最小化基站的平均发射功率。优化是在用户的信道量化码本和在基站的发射功率控制功能。我们的方法是基于事先修复的停电情况，并将设计问题转化为一个强大的系统设计问题。我们首先表明，均匀量化的信道幅度在dB尺度是渐近最优的，无论幅度分布函数。我们推导出最佳均匀（dB）信道幅度码本，并将其与空间均匀信道方向码本相结合，以达到产品信道量化码本。然后，我们优化这样的产品结构中的渐近制度的$B\rightarrow \infty$，其中$B$是量化反馈位的总数。本文证明了对于实空间信道，方向量化比特数的渐近最优值应为幅度量化比特数的${(M{-}1)}/{2}$倍，其中$M$为基站天线数。我们还表明，所设计的系统的性能接近性能的理想的信道状态信息系统的$2^{-\frac{2B}{M+1}}$。对于复信道，幅度和方向量化比特的数量与$(M{-}1)$的因子相关，并且系统性能缩放为$2^{-\frac{B}{M}}$为$B\rightarrow\infty$。
2011-02-14 cs.IT math.IT
A Deterministic Analysis of Decimation for Sigma-Delta Quantization of Bandlimited Functions
本文对带限函数的ΣΔ量化进行确定性分析，证明通过抽取可大幅降低比特率，并证明稳定r阶ΣΔ方案的重构误差随比特率指数衰减。
2015-05-30 cs.IT math.IT
Bit-level Optimized Neural Network for Multi-antenna Channel Quantization
量化的信道状态信息（CSI）在预编码设计中起着至关重要的作用，有助于发挥多输入多输出（MIMO）技术的优点。为了减少CSI反馈的开销，我们提出了一种基于深度学习的CSI量化方法，通过开发一种联合卷积残差网络（JCResNet），从比特级量化性能的角度出发，该方法有利于MIMO信道特征提取和恢复。实验表明，我们提出的方法大大提高了性能。
2019-09-24 cs.IT eess.SP math.IT
Timely Tracking of a Wiener Process With Single Bit Quantization
本文研究在周期采样下利用单比特量化策略及时跟踪 Wiener 过程的问题，通过引入不传输符号构建三区域量化函数，提出了最优量化及两种低复杂度方法，在均方误差和传输成本上表现相似。
2025-05-02 cs.IT eess.SP math.IT
Gridless Angular Domain Channel Estimation for mmWave Massive MIMO System With One-Bit Quantization Via Approximate Message Passing
针对一比特量化毫米波（mmWave）大规模多输入多输出（MIMO）系统，提出了一种波达方向和信道估计算法。通过制定的估计问题作为一个嘈杂的一位压缩感知问题，我们提出了一个计算效率的无网格解决方案的基础上的期望最大化广义近似消息传递（EMGAMP）的方法。该算法不需要先验知识的DoA的数量，并优于现有的方法在区分非常接近的DoA的情况下，一位量化。对于一比特量化的情况，估计DoA和信道系数两者。仿真结果表明，该算法在目标方位非常接近的情况下具有较好的估计性能。
2019-09-23 cs.IT eess.SP math.IT
On One-Bit Quantization
Cornell University（康奈尔大学）
我们考虑一位量化器，最大限度地减少生活在一个真正的希尔伯特空间的源的均方误差。最佳量化器是一个投影，然后进行阈值操作，我们提供了方法，用于确定最佳的方向，沿该项目。作为我们的方法的一个应用程序，我们描述了一个连续时间的随机过程，表现出低维结构的最佳一位量化器。我们数值计算表明，这个最佳量化器是由一个基于神经网络的压缩机通过随机梯度下降训练。
2022-02-10 cs.IT cs.LG math.IT
Mixed-Precision Quantization: Make the Best Use of Bits Where They Matter Most
本文从搜索视角构建混合精度量化的一般比特分配框架，提出 PPSO 与更高效的 GC-PSO 算法并证明收敛性，且在 FIR 滤波器、接收机和梯度下降中验证其优越性。
2025-06-16 cs.IT eess.SP math.IT
Zero-Crossing Precoding With Maximum Distance to the Decision Threshold for Channels With 1-Bit Quantization and Oversampling
低分辨率设备对于物联网系统中要求低能耗和低复杂性的系统来说是有希望的。在这项研究中，我们提出了一种新的波形带限信道1位量化和过采样的接收机。所提出的方法意味着，该信息是在零交叉的时间实例内传达的，该零交叉然后与格雷编码方案结合使用。与现有方法不同，所提出的方法不需要优化和传输动态码本。所提出的方法在比特出错率方面优于最先进的方法。
2019-10-22 cs.IT eess.SP math.IT
Study of Coarse Quantization-Aware Block Diagonalization Algorithms for MIMO Systems with Low Resolution
众所周知，在保持固定的采样率和比特分辨率的情况下，数模转换器（DAC）的估计能量消耗约为模数转换器（ADC）所消耗能量的30%。假设与ADC类似，DAC的耗散随着分辨率的每增加一位而加倍，两个分辨率位的减少，例如从4位减少到2位，表示耗散降低75 $\% $。当前1比特量化的和速率的限制促使研究人员考虑分辨率中的额外比特以获得更高水平的和速率。在此之后，我们设计了粗量化感知预编码使用几个比特的多天线系统的广播信道的基础上Bussgang定理。特别是，我们考虑块对角化算法，这在文献中还没有被考虑到。提出的粗量化感知块对角化（CQA-BD）及其正则化版本（CQA-RBD）实现的和速率优于文献中先前报道的那些。仿真结果表明，所提出的CQA-BD和CGA-RBD算法对现有的方法的性能。
2020-02-23 cs.IT eess.SP math.IT
Over-the-Air Federated Edge Learning with Error-Feedback One-Bit Quantization and Power Control
空中联合边缘学习（Air-FEEL）是使用分布在边缘设备处的训练数据的分布式机器学习的通信高效框架。该框架使所有边缘设备能够在整个可用带宽上同时传输模型更新，从而实现空中聚合。最近提出了一种1比特数字空中聚合（OBDA）方案，其特征在于边缘设备处的1比特梯度量化和边缘服务器处的基于多数表决的解码。然而，低分辨率的一位梯度量化减慢了模型的收敛速度，导致性能下降。另一方面，Air-FEEL中由衰落信道引起的聚合误差仍有待解决。为了解决这些问题，我们提出了错误反馈的一位宽带数字聚合（EFOBDA）和优化的功率控制策略。为此，我们首先提供了一个理论分析，以评估误差反馈对FL与EFOBDA的收敛性的影响。分析结果表明，通过设置一个适当的反馈强度，EFOBDA是可比的空气FEEL没有量化，从而提高了OBDA的性能。然后，我们进一步介绍了一种功率控制策略，通过最大化的收敛速度下的瞬时功率约束。实验结果表明，与无误差反馈的1比特量化方案和优化的功率控制策略相比，该方案在图像分类任务中具有更快的收敛速度和更高的测试精度.
2023-03-20 cs.IT eess.SP math.IT
Zero Crossing Modulation for Communication with Temporally Oversampled 1-Bit Quantization
当今的通信系统通常使用高分辨率模数转换器（ADC）。然而，考虑到数据率在100 Gbit/s量级的未来通信系统，由于高采样率，ADC功耗成为主要因素。一种有前途的替代方案是基于1位量化和过采样w.r.t.的接收器。信号带宽。这种方法需要重新设计调制、接收机同步和解映射。过零调制是自然的选择，因为需要在过零时刻携带信息。本文综述了零交叉调制、可达速率、序列映射和解映射、基于1比特的信道参数估计以及作为替代零交叉调制方案的连续相位调制。
2019-12-02 cs.IT eess.SP math.IT
Covariance estimation under one-bit quantization
我们考虑经典的问题估计的协方差矩阵的亚高斯分布从独立同分布。在粗量化的新环境中的采样，即，不是完全了解采样，而是将它们量化为每个条目一个或两个比特。这个问题在信号处理应用中自然发生。我们引入新的估计在两个不同的量化方案，并获得非渐近估计误差界的运营商的范数。在第一种情况下，我们考虑一个简单的，尺度不变的一位量化器，并得出一个中心高斯分布的相关矩阵的估计结果。在第二种情况下，我们将随机抖动添加到量化器。在这种情况下，我们可以通过收集每个样本的每个条目的两个比特来准确地估计一般亚高斯分布的完整协方差矩阵。在这两种情况下，我们的界限适用于掩蔽协方差估计。我们证明了我们的误差界的近似最优性，推导相应的（极大极小）下界和使用数值模拟。
2022-04-22 cs.IT math.IT math.ST
Approximation of Capacity for ISI Channels with One-bit Output Quantization
受当前高带宽通信系统的启发，在平均功率受限的连续输入下，研究了具有1比特量化输出的符号间干扰（ISI）信道。虽然准确的能力是难以表征，提供了一个近似匹配的准确的通道输出的错误概率。该近似不具有加性噪声，但将通道输出（无噪声）约束为绝对值高于阈值。近似下的容量使用涉及标准吉布斯分布的方法计算。提供了接近近似容量的马尔可夫可实现方案。在近似ISI信道上使用的方法产生了具有1比特输出量化的ISI信道的实用编码方案的想法。
2015-05-04 cs.IT math.IT math.PR
Wideband and Entropy-Aware Deep Soft Bit Quantization
University of Texas at Austin（德克萨斯大学奥斯汀分校）
深度学习最近已被应用于数字通信系统中的物理层处理，以提高端到端性能。在这项工作中，我们介绍了一种新的深度学习解决方案，用于跨宽带信道的软比特量化。我们的方法是训练端到端的量化和熵感知增强的损失函数，并在推理与源编码结合使用，以实现近最佳的压缩增益在宽带信道。为了有效地训练我们的方法，我们证明和验证，一个固定的特征空间量化方案是足够的有效学习。当在训练期间从未见过的信道分布上进行测试时，与先前的最先进的方法相比，所提出的方法在高SNR状态下实现了高达$10 \%$的压缩增益。为了鼓励可重复的研究，我们的实现在https://github.com/utcsilab/wideband-llr-deep上公开。
2021-10-18 cs.IT cs.LG eess.SP
Transform Quantization for CNN (Convolutional Neural Network) Compression
Stanford University（斯坦福大学）；University of New South Wales（新南威尔士大学）
在本文中，我们压缩卷积神经网络（CNN）的权重后训练通过变换量化。先前的CNN量化技术倾向于忽略权重和激活的联合统计，从而在给定的量化比特率下产生次优的CNN性能，或者仅在训练期间考虑它们的联合统计，并且不促进已经训练的CNN模型的有效压缩。我们使用率失真框架对训练后的权重进行最佳变换（解相关）和重构，以在任何给定的量化比特率下提高压缩。变换量化将量化和降维（去相关）技术统一在一个框架中，以促进CNN的低比特率压缩和变换域中的有效推理。我们首先介绍了CNN量化的率失真理论，并将最佳量化作为率失真优化问题。然后，我们表明，这个问题可以解决使用最佳的位深度分配后，解相关的最佳端到端学习变换（ELT），我们在本文中推导出。实验表明，变换量化在再训练和非再训练量化场景中都推进了CNN压缩的最新技术水平。特别地，我们发现具有再训练的变换量化能够将CNN模型（例如AlexNet、ResNet和DenseNet）压缩到非常低的比特率（1-2比特）。
2021-11-07 cs.CV cs.IT cs.LG
Linear Regression from 1-bit Quantized Data
George Mason University（乔治梅森大学）；University of Virginia（弗吉尼亚大学）
研究在数据丰富但存储和传输资源有限的环境下，基于1位抖动量化预测变量、其平方和响应的线性回归问题，提出基于二次规划的插件估计器，并分析其非渐近误差界和渐近分布。
2026-03-30 cs.IT math.IT math.ST
GDNSQ: Gradual Differentiable Noise Scale Quantization for Low-bit Neural Networks
Ainekko Co.（Ainekko公司）
针对低比特神经网络量化瓶颈问题，提出GDNSQ方法，将微调转化为约束优化问题，采用带可学习参数的全微分STE与外点罚函数，在极端W1A1设置下保持竞争精度与STE效率。
2025-11-11 cs.IT cs.LG cs.NA
