iOS performance engineering often defaults to a mental model where performance is a property of a component. Performance is instead an emergent behavior of the interaction between application...
We’re introducing an efficient, on-device robotics model with general-purpose dexterity and fast task adaptation.
本研究分析了异构设备在联邦学习中的效率、公平性和隐私权衡。比较FedAvg和FedAsync后发现，异步方法加速收敛，但增加了高端设备的隐私损失和公平性问题，提示需优化聚合和隐私机制。
本研究评估了内存受限环境中的轻量级深度学习模型，填补了低内存设备上图像分类的研究空白。通过基准测试五种架构，发现迁移学习显著提升了模型在复杂数据集Tiny ImageNet上的准确性和效率，为优化深度学习系统提供了建议。
本研究提出了SacFL框架，旨在解决终端设备在持续学习中面临的存储资源有限和任务转移检测能力不足的问题。通过编码器-解码器结构和对比学习机制，显著降低了存储需求，并实现了自主的数据转移检测。实验结果验证了该框架在资源受限设备上的有效性。
本研究提出了ML Drift框架，优化了GPU加速推理引擎，使资源受限设备能够高效执行复杂生成模型，性能提升达十倍，展现出显著的应用潜力。
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BoTTA基准评估方法，以应对移动和边缘设备上测试时适应(TTA)的挑战，尤其是在资源有限的环境中。研究表明，许多现代TTA算法在小数据集上表现不佳，难以适应未见类别，为实际应用提供了指导。
本研究提出了一种低功耗流式语音增强加速器，通过模型压缩和硬件优化，模型大小减少93.9%，实时推理功耗仅为8.08毫瓦，显著提升了效率和可用性。
本研究提出了一种先进的多深度神经网络模型调度策略（ADMS），旨在优化移动设备上的多DNN推理。该策略通过离线构建最优子图划分，实现硬件支持与调度平衡，并根据实时条件动态调整工作负载，显著提高处理器利用率和性能。实验结果表明，ADMS在推理延迟上比传统框架减少了4.04倍。
本研究提出了一种名为ShED-HD的轻量级幻觉检测框架，旨在解决大型语言模型在高风险领域中产生幻觉的问题。该框架利用BiLSTM架构和单头注意力机制，提高了边缘设备上的幻觉检测性能，增强了生成内容的可信度。
本研究提出了LeanTTA框架，旨在解决边缘设备上机器学习模型的资源约束和数据分布差异问题。该框架通过无反向传播动态更新归一化统计，降低计算成本，实现实时部署中的性能提升，平衡精度与系统效率，具有重要的应用潜力。
本研究提出了一种新方法PaSTe，旨在解决资源受限边缘设备上的视觉异常检测（VAD）持续学习问题，显著提升检测性能并降低内存消耗。
本研究提出动态快速决策树（DFDT）算法，以解决边缘计算中物联网数据流挖掘的资源消耗和适应性问题。实验结果表明，DFDT在有限的内存和时间条件下显著提升了预测性能，具有潜在的应用价值。
FedMHO框架通过在资源充足的客户端使用深度模型和在受限设备上使用轻量生成模型，解决了边缘设备在传统联邦学习中的计算与通信开销问题，提升了训练效率与性能。实验结果显示，FedMHO在多种设置下优于现有技术，展现了其在边缘计算中的应用潜力。
本研究提出了深度音频表征评估（DEAR）数据集，旨在帮助耳戴设备更好地理解用户周围的声学环境。研究表明，BEATs模型在多个任务中表现优异，显示出其在多样化音频训练中的优势。
本研究提出了一种新型自监督学习框架，旨在提高介入X射线中设备（如导管、气球和支架）的检测精度。该方法通过结合补充线索和多表示空间，显著提升了设备标记的定位能力，气球标记检测误差减少87%，导管尖端检测误差减少61%。
本研究利用移动相机图像数据进行实时空气质量评估，开发了一种回归型卷积神经网络模型，实现了准确预测。研究表明，原始数据集与增强数据集的预测准确性相近，并提供了用户友好的实时仪表盘，帮助用户做出环境健康决策。
本研究提出了一种基于Lyapunov引导的强化学习方法，旨在优化MEC辅助XR设备在多任务深度神经网络推理中的能源消耗和资源分配。通过LyaPPO算法，实验证明该方法能有效降低能源消耗，提高设备性能和资源使用效率。
完成下面两步后，将自动完成登录并继续当前操作。
