本研究分析了传统格林函数方法在大规模稀疏图中的不稳定性，提出了一种新方法，等效于完全连接图的格林函数，并引入加速技术以提升效率，实验结果验证了其有效性和稳定性。

本文回顾了深度神经网络模型压缩与加速技术，包括参数修剪、量化和知识蒸馏，分析了它们的优缺点及应用。研究评估了这些技术在视觉Transformer中的表现，并提出了在资源受限环境中优化模型的有效方法，为边缘计算提供支持。

该文介绍了一种基于 token dropping 方法的预训练加速技术，可以将 BERT 的预训练成本减少 25%。该方法通过丢弃不重要的 token，使模型更专注于重要的 token，然后让最后一层重新生成完整的序列，计算代价几乎为零。

本文介绍了一个紧凑的人脸特征点检测模型，采用加速技术，能够在不同自然环境下取得高精度和超快速度。该模型采用旋转信息估计进行几何规范化特征定位，并采用一种新误差函数来平衡数据不均衡问题。在多个面部特征检测数据集上表现出卓越性能。