本研究使用E-PINNs模型解决电力系统暂态稳定性挑战，提高参数估计准确性和降低计算负载。通过分析电力系统，证明了E-PINNs的有效性和处理参数变异性和数据稀缺性的能力。该研究推动了机器学习在电力系统稳定性方面的应用。

MVSparse是一种合作式多人跟踪框架，通过选择每个帧内的信息块来减少计算负载和通信开销。实验证明，MVSparse在多视角视频中优化地利用了时间和空间冗余，加速了推理时间并轻微损失跟踪准确性。

介绍了名为MVSparse的多人跟踪框架，通过选择信息块来减少计算负载和通信开销，优化多视角视频的利用。实验证明，MVSparse加速了推理时间，轻微损失了跟踪准确性，展示了在多摄像头跟踪应用中的潜力。

本文介绍了一种通过FLORA框架实现的低秩逼近方法，可以通过低秩感知的候选过滤策略和低秩特定训练方法来降低计算负载。相比简单均匀配置，该方法可以额外减少33%的操作次数，并且可以与压缩技术和紧凑混合结构整合以达到更高的FLOPs减少率。

这篇论文介绍了一种用于深度学习能量消耗的精细测量框架FECoM，通过静态插桩和考虑计算负载和温度稳定性等因素解决了能量消耗测量的挑战。使用FECoM研究了TensorFlow的能量消耗与参数大小和执行时间的关系，希望促进深度学习能量测量和能量感知实践的发展。