Il documento "ReQAT: Achieving full-precision inferenceaccuracy through 4-bit floating point quantization aware" (apprendimento di riconoscimento della quantizzazione in virgola mobile a 4 bit), al quale Jang-hwan Lee, ricercatore presso il Dipartimento di ingegneria elettronica di convergenza dell'Università di Hanyang, ha partecipato come primo autore, e il professor Jeongwook Choi del Dipartimento di ingegneria elettronica di convergenza e della società di semiconduttori AI Rebellions, è stato presentato ufficialmente alla Conferenza internazionale sull'apprendimento automatico (ICML 2026). Il documento è stato selezionato come documento di "presentazione orale", considerato il più innovativo e influente tra i circa 15.000 documenti presentati, ed è valutato come un risultato degno di nota dalle società di intelligenza artificiale di tutto il mondo. Il documento ReQAT: Achieving full-precision inferenceaccuracy through 4-bit Floating Point Quantization Recognition Learning presentato dall'Università di Hanyang e dal gruppo di ricerca Rebellion è stato selezionato come documento di presentazione orale dell'ICML. In genere, le presentazioni orali ricevono solo l'1% migliore di tutti gli articoli presentati / Source = ReQAT presentato dall'Università IT Dong-A Hanyang e dal gruppo di ricerca Rebellion: L'articolo che raggiunge la massima precisione di inferenza attraverso l'apprendimento del riconoscimento della quantizzazione in virgola mobile a 4 bit è ICML