Intel（英特尔） - arXivDaily 大厂专区

1809.07012 2026-06-04 math.OC cs.RO cs.SY eess.SY

Enhancing the settling time estimation of a class of fixed-time stable systems

增强一类固定时间稳定系统的 settling 时间估计

R. Aldana-López, D. Gómez-Gutiérrez, E. Jiménez-Rodríguez, J. D. Sánchez-Torres, M. Defoort

机构 * Multi-agent autonomous systems lab, Intel Labs, Intel Tecnología de M\'exico, Av. del Bosque 1001, Colonia El Bajío, Zapopan, 45019, Jalisco, M\'exico. ； Research Laboratory on Optimal Design, Devices ； Advanced Materials -OPTIMA-, Department of Mathematics ； LAMIH, CNRS UMR 8201, Univ. Valenciennes, Valenciennes 59313, France.

AI总结本文研究了一类固定时间稳定系统的收敛时间分析，提出了一种新的非保守上界用于估计其 settling 时间，通过改进方法提供了更精确的上界，并展示了预定义时间控制器在第一和第二阶系统中的应用。

Journal ref International Journal of Robust and Nonlinear Control, Volume29, Issue12, Pages 4135-4148,2019

1809.04539 2026-06-04 cs.RO cs.SY eess.SY

Frequency-Aware Model Predictive Control

频率感知模型预测控制

Ruben Grandia, Farbod Farshidian, Alexey Dosovitskiy, René Ranftl, Marco Hutter

机构 * Robotic Systems Lab, ETH Zurich（机器人系统实验室，苏黎世联邦理工学院）； Intel Labs, Munich, Germany（英特尔实验室，德国慕尼黑）

AI总结本文提出频率形状成本函数，用于在腿足机器人最优控制中实现鲁棒解决方案，通过仿真和硬件实验展示了运动计划与执行器带宽限制的兼容性，并在未建模合规性地形上实现了稳健行走。

Journal ref IEEE Robotics and Automation Letters 2019

1705.10887 2026-06-04 stat.ML cs.CV cs.LG cs.NA math.NA

Efficient, sparse representation of manifold distance matrices for classical scaling

高效表示经典标度中的流形距离矩阵

Javier S. Turek, Alexander Huth

机构 * Intel Labs（英特尔实验室）； The University of Texas at Austin（得克萨斯大学奥斯汀分校）

AI总结本文提出一种基于双调和插值的稀疏方法，用于高效表示流形距离矩阵，相比现有方法速度快2倍，内存占用低20倍，能处理大规模点集。

Comments Conference CVPR 2018

1802.00930 2026-06-04 cs.NE cs.LG cs.NA math.NA

Mixed Precision Training of Convolutional Neural Networks using Integer Operations

使用整数运算进行卷积神经网络的混合精度训练

Dipankar Das, Naveen Mellempudi, Dheevatsa Mudigere, Dhiraj Kalamkar, Sasikanth Avancha, Kunal Banerjee, Srinivas Sridharan, Karthik Vaidyanathan, Bharat Kaul, Evangelos Georganas, Alexander Heinecke, Pradeep Dubey, Jesus Corbal, Nikita Shustrov, Roma Dubtsov, Evarist Fomenko, Vadim Pirogov

机构 * Parallel Computing Lab（并行计算实验室）； Intel Labs, India（英特尔实验室，印度）； Product Architecture Group（产品架构组）； Intel Labs, SC Intel, OR（英特尔实验室，SC英特尔，美国）； Software Services Group（软件服务组）； Intel, OR（英特尔，美国）

AI总结本文提出了一种基于整数运算的混合精度训练方法，在ImageNet-1K数据集上训练了ResNet-50、GoogLeNet-v1等SOTA网络，实现了比FP32更高的训练吞吐量和相同精度下的最高准确率。

Comments Published as a conference paper at ICLR 2018

1711.02213 2026-06-04 cs.LG cs.NA math.NA stat.ML

Flexpoint: An Adaptive Numerical Format for Efficient Training of Deep Neural Networks

Flexpoint：一种适应性数值格式，用于高效训练深度神经网络

Urs Köster, Tristan J. Webb, Xin Wang, Marcel Nassar, Arjun K. Bansal, William H. Constable, Oğuz H. Elibol, Scott Gray, Stewart Hall, Luke Hornof, Amir Khosrowshahi, Carey Kloss, Ruby J. Pai, Naveen Rao

机构 * Artificial Intelligence Products Group, Intel Corporation（英特尔人工智能产品部）

AI总结 Flexpoint是一种适应性数值格式，旨在高效训练深度神经网络，通过动态调整指数来减少溢出并最大化动态范围，实验证明其在训练AlexNet、残差网络和生成对抗网络时性能接近32位浮点数。

Comments 14 pages, 5 figures, accepted in Neural Information Processing Systems 2017