L'ottimizzazione evolutiva migliora i modelli di deep learning quantizzati

Un nuovo articolo di ricerca su arXiv propone l'uso di strategie evolutive per mettere a punto modelli di deep learning quantizzati, con l'obiettivo di migliorare l'accuratezza oltre l'arrotondamento standard del vicino più prossimo. Il lavoro affronta la sfida di distribuire modelli di deep learning complessi su dispositivi con risorse limitate come IoT, dispositivi mobili e sistemi autonomi. La quantizzazione riduce le dimensioni e la complessità del modello, ma spesso sacrifica l'accuratezza. Gli autori sostengono che la quantizzazione del vicino più prossimo non garantisce stati finali ottimali e introducono un'ottimizzazione basata sull'evoluzione che regola iterativamente i valori di quantizzazione. L'approccio ha il potenziale di migliorare le prestazioni dei modelli quantizzati pre-addestrati senza aumentare l'ingombro di memoria. L'articolo è disponibile come arXiv:2605.05228.