机器之心数据服务已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究解决了智能交通场景中车辆具身智能网络（VEANs）中智能体迁移存在的计算延迟和资源限制问题。提出了一种Tiny Multi-Agent Bidirectional LSTM Proximal Policy...

本研究探讨了自编码器的神经网络剪枝，提出了一种基于激活的变异算子来指导权重剪枝。结果表明，该方法在效率上优于随机剪枝，尤其在低维环境中更为有效，提升了自编码器的性能和可扩展性。

本研究提出了一种新的结构化剪枝框架SPAP，旨在优化大型语言模型的计算和内存需求。SPAP通过混合整数优化和交替最小化算法，解决了性能下降和微调成本高的问题，实验证明其在推理速度和内存效率上优于现有方法。

回溯算法是一种搜索方法，通过深度优先遍历树形结构来寻找复杂问题的解，如全排列。其过程包括选择、递归和撤销选择，时间复杂度通常为O(N!)，适合暴力穷举，优化时需注意剪枝。

本文提出了一种自适应计算剪枝方法（ACP），有效解决遗忘变换器中注意力头快速遗忘的问题。研究表明，ACP可减少约70%的计算量，提高训练吞吐量10%至35%，在长上下文中效果更为显著，且性能保持稳定。

本文探讨了通过剪枝注意力头来减轻大型语言模型的偏差问题，提出了一种随机模拟退火的方法，有效识别需剪除的偏差贡献大的注意力头，实验表明可减少多达40%的性别偏差。

本研究解决了癌症诊断中数据不平衡带来的分类器性能和可靠性问题，提出了RE-SMOTEBoost方法。该方法通过优先在重叠区域生成合成样本、信息熵过滤机制减少噪声并引入双重正则化惩罚，有效提高了少数类样本的质量。结果表明，RE-SMOTEBoost在不平衡数据集上相较于现有技术有显著提升，证明了其在医疗应用中的潜在影响。

本研究解决了现有结构化剪枝方法中随机选择校准数据和固定单一重要性评估指标导致剪枝模型性能下降的问题。提出的AdaPruner框架通过构建结构化剪枝解空间，并采用贝叶斯优化自适应搜索最佳的校准数据和重要性评估指标，从而有效去除大型语言模型中的冗余参数。实验结果表明，AdaPruner在多个大型语言模型上有效提升了剪枝性能，在20\%的剪枝比率下，模型性能维持在97\%，展示了其适用性和鲁棒性。

本研究解决了现有模型剪枝方法在不同数据集和任务上泛化能力不强的问题。我们提出了一种新的方法——神经元语义归因，能够将神经元与特定语义关联，从而提高剪枝效果的可解释性。研究发现，该方法在情感分类任务中显著提升了剪枝性能，对模型加速和资源节约具有重要影响。

本研究针对目前联合剪枝与量化方法在工程复杂性、黑箱优化及架构通用性等方面的不足，提出了一种新的框架GETA，能够自动高效地对深度神经网络进行联合结构剪枝和量化感知训练。实验结果表明，GETA在卷积神经网络和变换器架构上均能实现与现有方法竞争甚至更优的性能，展示了该方法对网络压缩质量的显著提升潜力。

本研究解决了大规模语言模型在效率上的提升需求，提出了一种名为探测剪枝的动态剪枝框架。该框架通过探测每个批次的关键权重，实现对不同批次的定制化剪枝，显著提高了结构化剪枝的效率，且与现有模型兼容，具备较低的性能下降比和运行时间缩减。

本研究提出了一种新剪枝标准——费舍尔-泰勒敏感度（FTS），有效解决了传统剪枝在资源受限环境下的局限性，并在极端稀疏条件下显著提升了剪枝效果。

本研究针对联邦学习中高计算和通信需求对资源有限设备的挑战，提出了一种新颖的联邦鲁棒剪枝框架（FedRTS）。该方法通过基于汤普森采样的调整机制，利用稳定和前瞻性的信息作出决策，从而提高鲁棒性和性能。实验结果表明，FedRTS在计算机视觉和自然语言处理任务上表现出色，同时降低了通信成本，特别是在数据分布异构和部分客户端参与的场景中。