機械学習における量子化技術は、主にニューラルネットワークの重みや推論時のデータ表現を低ビット数で表現し、計算効率やメモリ使用量を削減する技術である。量子化は訓練段階や推論段階で適用され、多くの場合スカラーやベクトル単位での量子化が行われる。特にベクトル量子化では、クラスタリングを用いてコードブックを作成し、重みや特徴量を代表ベクトルに置き換える手法が含まれる。これにより、符号化されたインデックス情報として保存や伝送が可能となる。誤差や量子化誤差の制御は精度保持に重要であり、局所的な分布や勾配情報を考慮して反復的な調整が行われる場合もある。こうした量子化技術は演算における乗算や伝播の効率化、メモリ帯域の削減、圧縮されたビットストリームの生成に寄与する。画像圧縮技術のｊｐｅｇやｄｃｔの逆量子化に類似する概念も応用され、マトリックスやブロック構造を活用した量子化も存在する。機械学習に特化した量子化技術群は、精度を維持しつつ計算負荷やリソース消費を低減するためのアルゴリズム全般を指す。
