本文提出了一种高阶结构时间图神经网络（HTGN），解决了现有时间图神经网络在链接形成和演变中忽视高阶结构的问题，并显著降低了内存成本。

本研究提出ROMA，一种基于只读存储器的加速器，旨在解决边缘设备上部署大型语言模型的内存和计算成本问题。ROMA利用混合存储架构，实现高效的资源利用和快速生成速度，展现出显著的应用潜力。

本研究提出SubGND框架，通过将节点分类重构为子图分类，解决了计算和内存成本问题，避免了全球上下文信息的丧失。实验结果表明，该框架在多个基准数据集上表现优异，尤其在异质环境中展现出更好的有效性和可扩展性。

本研究提出了InfiniteHiP框架，旨在解决大语言模型在处理长上下文时的推理速度慢和内存成本高的问题。该框架通过动态修剪无关上下文，实现对300万标记的处理，并在注意力解码上加速18.95倍，显著提升了实用性和效率。

本文提出了多种后训练量化方法（如SQ-b、OPT-m和MPTQ-ViT），在ImageNet数据集上显著提高了视觉变换器（ViTs）的准确性。这些方法有效降低了内存和计算成本，适用于移动设备，并在多个基准模型上验证了其有效性。