論文の概要: Recti-Q: Feature-Space Rectification for Out-of-Distribution-Robust Quantized Perception in Edge Robotics

• arxiv url: http://arxiv.org/abs/2607.18540v1
• Date: Mon, 20 Jul 2026 22:14:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.255114
• Title: Recti-Q: Feature-Space Rectification for Out-of-Distribution-Robust Quantized Perception in Edge Robotics
• Title（参考訳）: Recti-Q:エッジロボティクスにおけるアウト・オブ・ディストリビューション・ロバスト量子認識のための特徴空間整形
• Abstract要約: 本稿では,PTQ(Post-training Quantization)が,デプロイメント関連分散シフトの際の信頼性を著しく低下させることを示す。 本稿では、量子化されたバックボーンを凍結し、小さな分類器ヘッドLoRAアダプタを訓練する軽量な特徴空間補正フレームワークであるRecti-Qを提案する。 1%未満のパラメータオーバーヘッドで、Recti-QはPTQメモリの99%以上を保存し、無視可能な計算を追加し、低帯域幅のOver-The-Airレジリエンスパッチを可能にする。
• 参考スコア（独自算出の注目度）: 18.66253365765404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic perception pipelines increasingly rely on large vision backbones deployed on SWaP-constrained edge platforms, making post-training quantization (PTQ) attractive for real-time inference. However, while PTQ often preserves clean in-distribution accuracy, we show that it can substantially degrade reliability under deployment-relevant distribution shifts (e.g., sensor noise, severe weather, and novel operating environments), creating a Quantization-Induced Robustness Gap. Across foundational vision benchmarks (ImageNet-C and PACS), 4-bit PTQ models exhibit pronounced robustness degradation despite negligible ID accuracy loss. To address this, we propose Recti-Q, a lightweight feature-space rectification framework that freezes the quantized backbone and trains a small classifier-head LoRA adapter using only source data. Recti-Q is architecture-agnostic across CNNs and Transformers, supports efficient teacher-free training, and recovers a significant portion of the lost robustness, in some cases matching or exceeding FP32 performance. At less than 1% parameter overhead (as small as 6 KB), Recti-Q preserves over 99% of PTQ memory savings, adds negligible compute, and enables low-bandwidth Over-The-Air (OTA) resilience patching for deployed robotic fleets operating in unpredictable physical environments.
• Abstract（参考訳）: ロボット知覚パイプラインは、SWaPに制約されたエッジプラットフォームにデプロイされる大きな視覚バックボーンにますます依存しているため、リアルタイム推論にはポストトレーニング量子化(PTQ)が魅力的である。 しかし,PTQは清浄な流通精度を保ちながら,配置関連分布シフト(センサノイズ,厳しい天候,新しい運用環境など)で信頼性を著しく低下させ,量子化によるロバストネスギャップを創出できることを示す。 基礎的なビジョンベンチマーク(ImageNet-C と PACS)全体において、4ビットのPTQモデルは、無視可能なID精度の損失にもかかわらず、顕著な堅牢性低下を示す。 そこで本研究では、量子化されたバックボーンを凍結し、ソースデータのみを用いて小さな分類器ヘッドLoRAアダプタを訓練する軽量な特徴空間補正フレームワークであるRecti-Qを提案する。 Recti-Q は CNN や Transformer でアーキテクチャに非依存であり、効率的な教師なしのトレーニングをサポートし、FP32 のパフォーマンスにマッチまたは超える場合において、失われたロバスト性の大部分を回復する。 パラメータのオーバーヘッドは1%未満(最大6KB)で、Recti-QはPTQメモリの99%以上を保存し、無視可能な計算を追加し、予測不可能な物理的環境で動作するデプロイされたロボット群に対して、低帯域オーバー・ザ・エア(OTA)レジリエンスパッチを可能にする。

関連論文リスト

• Efficient Tuning Before Low-Bit Post-Training Quantization for Stochastic Gradient Descent-optimized Models [8.779009700879982]
  後トレーニング量子化(PTQ)は、限られたメモリと計算予算の下で、デプロイのためのディープニューラルネットワークを圧縮する。 既存のPTQ手法の多くは、制約のないフル精度(FP)モデルで動作し、主にポストホック再構成による量子化誤差に対処する。 我々は、低ビットPTQ精度は、量子化後の誤差最小化だけでなく、FPモデル自体の量子化エラー耐性にも制限されていると論じる。
  論文  参考訳（メタデータ） (2026-07-13T10:24:36Z)
• Robust Ultra Low-Bit Post-Training Quantization via Stable Diagonal Curvature Estimate [9.512361190282261]
  PTQ(Post-Training Quantization)は、小さなキャリブレーションセットを活用することで、再トレーニングなしにメモリフットプリントを削減する。 近年のHessian-based PTQ法は、チャネル間の依存関係による量子化誤差を補償するが、そのような手法は低ビット幅で劣化する。 対角ヘッセン近似と反復重み付き最小二乗を用いた頑健なPTQフレームワークであるDASH-Qを提案する。
  論文  参考訳（メタデータ） (2026-04-15T12:40:30Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Quantized Visual Geometry Grounded Transformer [67.15451442018258]
  本稿では,VGGTの最初の量子化フレームワーク,すなわちQuantVGGTを提案する。 球状前アダマール回転と局所流路平滑化を統合したDual-Smoothed Fine-Grained Quantizationを導入する。 また、重層統計量を用いて外周をフィルタするノイズフィルタディバースサンプリングを設計する。
  論文  参考訳（メタデータ） (2025-09-25T15:17:11Z)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• Quaff: Quantized Parameter-Efficient Fine-Tuning under Outlier Spatial Stability Hypothesis [9.884521812433661]
  Quaffは、大規模言語モデルのための量子化されたパラメータ効率の微調整フレームワークである。 軽量な操作を使用して、排他的な不変チャネルを抑える。 1.73倍のレイテンシ削減を実現し、30パーセントのメモリ節約を実現している。
  論文  参考訳（メタデータ） (2025-05-20T07:19:36Z)
• APHQ-ViT: Post-Training Quantization with Average Perturbation Hessian Based Reconstruction for Vision Transformers [71.2294205496784]
  平均摂動ヘシアン (APH) を用いた重要度推定に基づく新しいPTQ手法である textbfAPHQ-ViT を提案する。 本稿では,線形量子化器を用いたAPHQ-ViTが既存のPTQ法よりも3ビット,4ビットの差が大きいことを示す。
  論文  参考訳（メタデータ） (2025-04-03T11:48:56Z)
• Towards Clip-Free Quantized Super-Resolution Networks: How to Tame Representative Images [16.18371675853725]
  この研究は、非常に重要だがほとんど見落とされがちなポストトレーニング量子化ステップに焦点をあてる:代表データセット(RD) 本稿では,FP32モデルの出力のみを用いることで,RD画像を巧みに増大させる実験的な正当化を伴って,新しいパイプライン(クリップフリー量子化パイプライン,CFQP)を提案する。
  論文  参考訳（メタデータ） (2023-08-22T11:41:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。