Nano Linux 是一种超轻量级的 Linux 系统，通常小于 100MB，适合资源受限的环境。通过裁剪内核、优化组件和压缩文件系统，Nano Linux 实现了快速启动和低资源需求，适用于嵌入式设备和老旧硬件。其设计理念强调按需扩展，支持用户定制，广泛应用于 IoT 设备和轻量级服务器。

本文探讨在无额外计算资源的情况下，大型语言模型（LLM）能力的提升。作者提出了一个分类框架，区分依赖计算与独立于计算的创新，结果表明，计算独立的创新在资源受限环境中显著提升了性能。

本研究提出了一次性联邦学习的概念，旨在解决传统联邦学习在资源受限和隐私敏感环境下的局限性。通过改进客户端模型初始化、聚合技术和异构数据管理策略，推动了一次性联邦学习的实际应用发展。

本文探讨了大语言模型（LLMs）在资源受限环境中的优化问题，综述了知识蒸馏、模型量化和模型剪枝等压缩技术，提供了有效的解决方案和成功案例，为研究者和从业者在边缘设备上优化LLM提供参考。

本研究提出了LoRa-FL框架，旨在边缘设备上训练低秩一-shot图像检测模型。该框架通过低秩适应技术降低计算和通信成本，同时保持准确性。实验结果表明，其在多个数据集上具有竞争力的检测性能，适合资源受限环境。

本研究提出了一种轻量级的完全分布式k均值聚类算法，旨在解决边缘计算系统中的数据可信性问题，适用于资源受限环境，确保节点间数据的准确性和可信性。

本文探讨了资源受限项目调度中，传统计划工具因信息不完整而需人工干预的问题。提出两种方法自动识别瓶颈并放宽约束，以减少项目延迟，结果表明无目标与有目标的放宽效果相当，具有实用价值。

本研究提出了DropPEFT框架，旨在解决联邦微调在资源受限设备上的计算和内存负担问题。通过随机停用层和自适应dropout比率，显著提升了模型的收敛速度并降低了内存占用。

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。

本文提出了CITER框架，通过令牌级路由策略实现小型与大型语言模型的高效协作，显著降低推理成本，同时保证生成高质量内容，适用于实时和资源受限的应用。

本文探讨了在资源受限设备上部署复杂机器学习模型的挑战，提出了一种结合本地与服务器模型的混合系统，实验结果表明该方法在多类分类任务中高效且实用。

本研究比较了三种先进的联邦大语言模型框架，分析了在资源受限场景下微调的精度、通信开销和计算负载等性能差异，为实际应用提供指导。

本研究针对资源受限机器人实时学习的计算效率问题，通过优化对比最大化学习流程，提升了事件基础深度估计任务的时间和内存效率，并验证了所学深度在障碍物避免中的有效性。