如水般适应：面向机器学习的自适应浮点表示

基于摘要分析。本文研究如何通过降低数值精度提高机器学习推理的存储与计算密度，提出 Adaptive Floating Point（AFP），使数值表示动态适应深度学习数据的特征。原研究对象是计算机视觉与 NLP 模型，并非 EEG 或 BCI。 作者指出，部分选择性使用低精度计算的方案可能需要代价较高的片外数据传输或混合精度支持。AFP 从数值表示入手；作者称其不改变模型拓扑、无需额外训练，并可应用于 DNN 模型的所有层。摘要未说明动态调整规则、具体位宽、调整粒度及运行时开销，这些机制细节尚未验证。 作者报告，在所评估的计算机视觉与 NLP 代表性模型上，AFP 可实现超低精度推理，准确率与全精度推理相近；但摘要未列出模型、数据集、具体准确率及误差范围。在摘要所述比较中，相对于 BFP、BFloat16、FP32，作者分别报告存储密度为其 1.6、1.6、3.2 倍，计算密度为其 4、1.3、12 倍。上述密度指标不能直接等同于端到端推理加速或能耗收益，其硬件条件、测量口径、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 AFP 的数据自适应数值表示能够保留 EEG 解码所需的细微信号差异，可能有助于资源受限设备上的模型部署，但这不是原文已验证的结果。可复用的是数值表示与低精度推理思路；需要适配 EEG 输入及中间激活的数值分布，并核对目标硬件支持。低信噪比、跨被试幅值差异、通道变化及小数据条件下的精度敏感性均可能限制收益。一个可检验的小实验是在固定 EEG 解码模型与数据划分下，不增加训练，比较 AFP 与 FP32 的原任务指标、存储占用及实际延迟，并检查不同被试和通道条件下的退化。已有 EEG 相关工作尚未检索确认。