KVectors向量数据库现已支持IVF_RABITQ索引。测试显示，构建999999个向量的索引耗时7分25秒，尽管检索性能有所下降，但仍适合大规模数据集。该数据库支持多种主流向量索引，软著申请正在审核中。

本文介绍了一种新颖的机器遗忘方法LoTUS，旨在消除训练样本对预训练模型的影响，避免重新训练。LoTUS通过平滑模型的预测概率，减轻数据记忆导致的过度自信。实验表明，LoTUS在效率和效果上优于现有方法，尤其在大规模数据集上表现出良好潜力。

本研究提出了一种新方法：粒状球支持向量回归（GBSVR），旨在解决支持向量回归（SVR）在处理大规模数据集时的高计算成本和对异常值敏感的问题。GBSVR通过将数据点聚集为少量球体来简化计算，并在多个基准数据集上表现优于现有方法。

DeepSeek 开源周发布的 3FS 是为 AI 高性能计算设计的分布式并行文件系统，优化大规模数据集处理，支持高 IOPS 和吞吐量，提升推理任务性能。

本文提出了一种改进的耦合Adam优化器，以解决大型语言模型在学习词表示时的各向异性问题。实验结果表明，耦合Adam显著提高了嵌入质量，并优化了大规模数据集的任务性能。

该研究提出Kozax框架，旨在解决遗传编程中适应性评估的高计算需求问题，支持大规模数据集和自定义运算符，展示了在科学计算中的优化潜力。

HNSW算法在小型数据集上表现良好，但在大规模向量相似性搜索中存在内存依赖和性能下降的问题。相比之下，IVF算法通过减少距离计算和优化量化技术，提供了更高效的解决方案，特别适合大规模数据集，因其简洁性和可扩展性而更具实用性。

本研究提出了一种基于因果图模型的视觉-语言解码器，旨在提升对人类语言组合特性的理解。实验结果显示，该方法在多个基准测试中显著优于现有技术，并在大规模数据集上表现更佳。

本研究提出了一种新方法，通过谱数据压缩加速UMAP，解决了其在大规模数据集上的效率问题。该方法在减少数据集大小的同时保持流形结构，实验结果表明嵌入质量未受影响。

本文研究了数据摘要中的公平聚类问题，特别是公平 k-供应商问题。提出了两种 3-近似算法，能够在大规模数据集上有效选择中心点，最小化目标函数，并在公平约束下具有实用性。

本文研究了影响函数在大规模数据集中的应用，发现其预测效果与实际效果显著相关。探讨了影响函数在NLP模型和神经网络中的有效性，提出了新的评分方法和算法，解决了微调过程中的高成本问题，并展示了在减少训练数据的情况下仍能保持性能的潜力。

本文提出了一种名为Subject-Diffusion的开放域个性化图像生成模型，能够通过参考图像实现个性化生成。研究构建了一个包含7600万图像的大规模数据集，并设计了统一框架以提高生成准确性。该模型在单一和多主体生成方面优于现有技术，采用注意力控制机制增强生成效果。

本研究提出了一种基于动态规划和搜索的学习算法，用于优化决策树，支持深度和节点数量限制。实验表明，该算法能够快速处理大规模数据集，提高决策树的实用性。同时，研究探讨了基于强化学习的组合优化方法，解决了不平衡数据和连续变量的优化问题，显著提升了构建速度和性能。

本文提出了一种新型局部自适应带宽径向基函数核，增强了核的灵活性，并建立了非对称核岭回归框架。实验结果表明，该算法在大规模数据集上的回归准确度优于现有方法，甚至超过了残差神经网络。

本文研究了标签比例学习（LLP）模型在监督学习中的应用，提出新的学习框架和算法以提升分类器性能，适用于政治、营销和医疗等领域。同时，提出改进技术以解决标签噪声问题，并评估多种先进LLP技术在大规模数据集上的表现。