Habibur Rahaman, Swarup Bhunia · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28872 · open-access PDF
Les poids d’un réseau entraîné n’ont pas de sensibilité uniforme à l’exactitude du modèle : les 1% de poids les plus sensibles portent environ un cinquième du dommage qu’un bit flip peut faire. Cette distribution détermine la tolérance bit-flip d’un modèle, la fraction de poids qu’un code doit couvrir et les bits dont chaque poids a besoin; les schémas existants fonctionnent avec les feuilles de formation de distribution. Nous montrons que nous pouvons moduler ou modifier systématiquement la distribution de sensibilité du poids d’un modèle entraîné, déplaçant ainsi les poids d’un banc de sensibilité à un autre.
Machine translation (Meta M2M100); the English original follows.
The weights of a trained network do not have uniform sensitivity to model accuracy: the 1% most sensitive weights carry about a fifth of the damage a bit flip can do. This distribution decides the bit-flip tolerance of a model, the fraction of weights a code must cover and the bits each weight needs; existing schemes work with the distribution training leaves. We show that we can systematically modulate or alter the weight sensitivity distribution of a trained model, thereby shifting weights from one sensitivity bin to another. The sensitivity of a stored weight is the product of its gradient
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28872, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange