우리는 Hessian의 임의의 Kronecker-factored 근사치(approximation)를 통해 기하학적 정보를 얻는 신경망 양자화 (quantization) 알고리즘 제품군을 가속화합니다. GPTQ 스타일의 적응형 반올림 (adaptive rounding)은 일반적으로 입력 활성화 (input activations)에서 유도된 단방향 정보를 사용합니다. 양방향 Kronecker-factored Hessian 근사치는 출력 좌표 간의 상관관계 (correlations)를 추가적으로 포착할 수 있지만, 벡터화된 가중치 (weight) 도메인에 GPTQ를 직접 적용하는 것은 계산 비용이 많이 듭니다. BoA 및 YAQA에서 사용된 양방향 적응형 반올림 공식화 (formulation)를 기반으로, 우리는 anti-diagonal 병렬성과 재귀적 분할 정복 (divide-and-conquer) 구조를 결합한 효율적인 솔버인 BaKron을 소개합니다. $m \times n$ 가중치 행렬에 대해, BaKron은 총 작업량을 $O(m^2n^2)$에서 $O(mn(m+n))$으로 줄이면서 $O(m+n)$의 순차적 단계를 사용합니다. 따라서 이는 더 풍부한 곡률 정보 (curvature information)를 활용하면서도 GPTQ의 3차 스케일링 (cubic scaling)과 일치합니다. 또한, BaKron은 기본 양자화기 (base quantizer)와 Hessian 추정기 (Hessian estimator) 모두에 대해 모듈식 (modular)으로 구성됩니다. 우리는 또한 실질적인 벤치마크를 제공하고, BaKron이 호출될 수 있는 다양한 Hessian 범위를 고려하며, 이러한 Hessian을 계산하는 효율적인 기술을 찾아 실험적으로 알고리즘을 평가합니다.