FedHQ混合量化框架发布
热点事件持续更新
FedHQ混合量化框架发布
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Zihao Zheng等人于2026年10月28日在arXiv发布FedHQ，提出一种混合运行时量化框架，根据客户端硬件与数据特征动态分配PTQ或QAT策略。该框架通过硬件速度估计和数据分布指标进行全局初始化，并经基于训练的细粒度调整优化，以平衡效率与精度。 在三个图像分类数据集实验中，FedHQ相比FedAQT实现最高2.47倍训练加速，且比FedFQ准确度高出最多11.15个百分点，验证了其在联邦学习场景下的优化效果。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
FedHQ 提出混合运行时量化以优化联邦学习报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · MLFedHQ 提出混合运行时量化以优化联邦学习
FedHQ 提出一种混合量化框架，根据客户端硬件和数据特征动态分配 PTQ 或 QAT 策略。 在三个图像分类数据集实验中，FedHQ 相比 FedAQT 实现最高 2.47 倍的训练加速，且比 FedFQ 准确度高出最多 11.15 个百分点。 该框架通过硬件速度估计和数据分布指标进行全局初始化，并经基于训练的细粒度调整优化，平衡了训练效率与模型精度。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。