LLM过去有两种突破性技术大大提升了量化精度，分别是group-wise量化和GPTQ/AWQ量化。前者相比于过去的per-tensor和per-channel/per-axis量化提出了更细粒度的对channel拆分为更小单元的量化方式，后者通过巧妙的算法明显提升了4bit量化的精度。 LLM量化存在一个常识性的挑战是激活部分channel里面存在显著大于其他channel的异常值，这显著提升

通过 ee-outliers 检测可疑子进程也是检测端点恶意活动一种非常有效的方法，例如： 检测调用 cmd.exe 的恶意 Microsoft Word 文档 检测电子邮件内嵌的 0-day exploit 在 Outlook 中利用 PowerShell 收集正确的数据 我们依赖于 osquery 来收集端点数据，使用以下查询定期收集有关我们要监控的工作站与服务器的所有信息。

高维背景下的异常点检测和稳健回归问题是统计学中的基础问题，有很多应用。在最近的一系列工作中，提供了同时进行稳健回归和异常值检测的方法，本文考虑一个高维情形下具有个体截距的线性回归模型。我们介绍了一种新的同时估计线性回归系数和截距的方法，使用了两个专用的分类L1惩罚，也称为斜率[5]。我们发展了一个完整的理论来解决这个问题：首先，我们给出了单个截距向量和回归系数的统计估计误差的上界。其次，我们给出了

英文原网页查看。 使用StatisticalOutlierRemoval过滤器 在本教程中，我们将学习如何使用统计分析技术从点云数据集中移除有噪声的测量值，例如离群值。 背景 激光扫描通常产生点云数据集的点密度不同。此外，测量误差会导致稀疏异常值，从而进一步破坏结果。这使得对局部点云特征(如表面法线或曲率变化)的估计变得复杂，从而导致错误的值，进而可能导致点云配准失败。通过对每个点的邻域进