神经网络量化能够在边缘设备上部署模型。对其硬件效率的基本要求是平衡器是硬件友好的：均匀，对称，以及两个阈值的功率。据我们所知，目前的训练后量化方法不同时支持所有这些约束。在这项工作中，我们引入了硬件友好的训练量化（HPTQ）框架，通过协同组合几种已知的量化方法来解决这个问题。我们对四个任务进行了大规模的研究：在各种网络架构上进行分类，对象检测，语义分割和姿势估计。我们广泛的实验表明，可以在硬件友好的限制下获得竞争结果。
translated by 谷歌翻译
在医疗保健诊断过程中常见于多级顺序决策方案。在本文中，开发了一种基于主动学习的方法，以以顺序方式积极收集必要的患者数据。提出的方法中有两份新奇。首先，与只有单级模型的现有序数逻辑回归模型不同，我们将所有阶段的参数估算在一起。其次，假设不同阶段中的共同特征的系数保持一致。该方法的有效性在模拟研究中验证和实际案例研究。与单独且独立地建模数据的基线方法相比，所提出的方法通过62 \％-1838 \％提高了估计效率。对于模拟和测试队列，所提出的方法更有效，稳定，可解释和对参数估计的计算有效。该方法可以很容易地扩展到各种场景，其中可以仅通过必要的信息来顺序地完成决策。
translated by 谷歌翻译