Noisy Weights: New Perspectives on Finding Noise-Robust Flat Minima
Rattachement africain : us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Motivation: Analog In-Memory Computing• Analog In-Memory Computing has emerged as an energy-efficient solution for neural network deployment at the edge.• However, analog matrix multiplication introduces device errors when model weights are programmed.• We want to induce noise-robustness through improved training
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Noisy Weights: New Perspectives on Finding Noise-Robust Flat Minima
- Date Crossref
- 01/08/2025
- Éditeur
- Office of Scientific and Technical Information (OSTI)
- Type
- report
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.