하드웨어 가속기의 비일반적인 서브바이트 지원을 활용하여 사운드 이벤트 감지 네트워크를 효율적으로 양자화할 수 있으며, 이를 통해 메모리 사용량, 추론 지연 시간 및 에너지 소비를 크게 줄일 수 있다.
본 연구는 임상 인터뷰 오디오 데이터를 활용하여 외상 후 스트레스 장애를 탐지하기 위한 혁신적인 확률적 트랜스포머 모델을 제안한다. 이 모델은 MFCC 특징 추출, 확률적 깊이, 확률적 활성화 함수 등을 활용하여 우수한 성능을 달성한다.