AdaFlow：在异步移动数据中进行机会推断的广义亲和控制

提出了一种自动化的移动神经结构搜索（MNAS）方法，旨在平衡模型的准确性与延迟。

该方法在多个视觉任务中优于现有的移动卷积神经网络模型，实现了更好的mAP质量。

提出了一种基于任务导向的通信方案，以减少多设备合作边缘推理中的通信开销与延迟。

通过信息瓶颈原理提取与任务相关的特征，采用分布式信息瓶颈框架编码特征。

提出了一种端到端可学习的输入过滤框架InFi，提高资源效率和准确性。

在移动平台上，InFi实现了8.5倍的吞吐量增加和95%的带宽节约，同时保持90%以上的准确性。

研究了在异构移动处理器上进行深度学习推理的能力与挑战，评估了现有技术的局限性。

提出了一种基于多流动态适应的轻量级人工智能模型，验证了其在自主车辆导航中的有效性。

RoCoIn机制通过知识蒸馏学习独立的学生模型，提高推断过程的容错性和系统响应速度。

设计的层次化推断（HI）系统在准确性要求下，具有较低的延迟和能量消耗。

AdaShadow框架通过选择性更新关键层，显著改善了延迟与准确度之间的平衡。