EPFL（洛桑联邦理工学院）

SigmaQuant: Hardware-Aware Heterogeneous Quantization Method for Edge DNN Inference

SigmaQuant: 面向边缘 DNN 推理的硬件感知异构量化方法

Qunyou Liu, Pengbo Yu, Marina Zapater, David Atienza

机构 * Embedded Systems Laboratory (ESL), EPFL, Switzerland（嵌入式系统实验室（ESL），EPFL，瑞士） ； University of Applied Sciences and Arts Western Switzerland (HES-SO), Switzerland（应用科学与艺术西瑞士大学（HES-SO），瑞士） 纠错

AI总结 SigmaQuant 是一种面向边缘 DNN 推理的自适应异构量化方法，通过动态分配不同比特宽度以优化精度与资源使用平衡。

RIVA: Leveraging LLM Agents for Reliable Configuration Drift Detection

RIVA: 利用LLM代理进行可靠的配置漂移检测

Sami Abuzakuk, Lucas Crijns, Anne-Marie Kermarrec, Rafael Pires, Martijn de Vos

机构 * EPFL（瑞士洛桑联邦理工学院） 纠错

AI总结 RIVA通过多代理系统和交叉验证技术，提高在工具响应错误时的IaC验证可靠性。

Beyond Binary Preferences: A Principled Framework for Reward Modeling with Ordinal Feedback

超越二元偏好：基于顺序反馈的奖励建模原理框架

Amirhossein Afsharrad, Ruida Zhou, Luca Viano, Sanjay Lall, Mohammad Ghavamzadeh

机构 * Stanford University（斯坦福大学） ； Amazon AGI（亚马逊人工智能研究） ； EPFL（瑞士联邦理工学院） ； Qualcomm AI Research（高通人工智能研究） ； Aktus AI 纠错

AI总结 本文提出基于顺序反馈的奖励建模原理框架，通过离散顺序回归方法，学习阈值参数以捕捉偏好顺序结构，实现更有效的细粒度人类反馈利用。

The Hidden Width of Deep ResNets: Tight Error Bounds and Phase Diagram

深度残差网络的隐藏宽度：紧密的误差界与相图

Lénaïc Chizat

机构 * Ecole Polytechnique Fédérale de Lausanne (EPFL), Institute of Mathematics（瑞士联邦理工学院洛桑分校数学研究所） 纠错

AI总结 该研究探讨了深度残差网络的隐藏宽度特性，揭示了其在不同深度和宽度下的误差界与相图，证明了残差尺度对局部特征更新的影响，并展示了训练动态中均值ODE的非线性参数化特性。