Exploring Quantization for Efficient Pre-Training of Transformer Language Models

Kamran Chitsaz, Quentin Fournier, Goncalo Filipe Torcato Mordido, Sarath Chandar Anbil Parthipan

Communication écrite (2024)

Accéder à ce document
Lien externe
Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel
Voir chez l'éditeur officiel
Département:
Département de génie informatique et génie logiciel
Adresse URL de PolyPublie:
https://publications.polymtl.ca/63033/
Nom de la conférence:
Conference on Empirical Methods in Natural Language Processing (EMNLP 2024)
Lieu de la conférence:
Miami, FL, USA
Date(s) de la conférence:
2024-11-12 - 2024-11-16
Maison d'édition:
Association for Computational Linguistics (ACL)
DOI:
10.18653/v1/2024.findings-emnlp.787
URL officielle:
https://doi.org/10.18653/v1/2024.findings-emnlp.78...
OAI:
oai:publications.polymtl.ca:63033
ORCID
Date du dépôt:
04 mars 2025 09:05
Dernière modification:
14 oct. 2026 14:23
Citer en APA 7:
Chitsaz, K., Fournier, Q., Torcato Mordido, G. F., & Anbil Parthipan, S. C. (novembre 2024). Exploring Quantization for Efficient Pre-Training of Transformer Language Models [Communication écrite]. Conference on Empirical Methods in Natural Language Processing (EMNLP 2024), Miami, FL, USA. https://doi.org/10.18653/v1/2024.findings-emnlp.787

Statistiques

Dimensions

Actions réservées au personnel

Afficher document
Afficher document