本研究提出了一种灵活重用近似乘法器的方法，解决神经网络运行时算力资源消耗波动的问题。通过搜索算法，系统可选择合适的近似乘法器子集并再训练，以优化性能，动态调整服务质量。

本研究提出了一种扩展典型多元组张量网络（ECTN）模型，解决了现有Web服务QoS预测模型未考虑用户与服务之间的相关性问题。实验证明，ECTN模型在动态QoS数据上具有更高的预测准确性。

本研究提出了一种基于交叉层框架的新型业务中心网络(BCN)，通过深度强化学习框架COHA-ES优化资源管理和服务质量(QoS)，提高了资源效率。

本文介绍了一种名为ARRQP的实时QoS预测框架，通过改进对数据异常的鲁棒性，利用图卷积技术捕捉用户和服务之间的关系和依赖，有效减少异常值的影响。同时，引入了稀疏鲁棒的灰羊检测方法，并通过强调情境特征解决冷启动问题。实验结果表明该框架能够准确及时地进行QoS预测。

大规模语言模型（LLMs）在推荐系统中具有独特的推理能力，能够理解语言细微差别，改变了传统推荐系统的范式。研究人员正在积极利用LLMs的语言理解和生成能力重新定义推荐任务的基础。LLMs在推荐框架中具有固有优势，包括语境理解、领域切换、统一方法、全面学习策略、透明决策制定和迭代改进。然而，LLM驱动的推荐系统仍面临挑战，需要持续完善和演进。

本文介绍了一种基于张量的联邦学习模型（FL-LFT），用于处理大数据和服务计算中的动态连接和用户视角质量服务（QoS）的动态数据。实验证明，FL-LFT相较于最先进的联邦学习（FL）方法能显著提高预测准确性。

该文章介绍了一种利用稀疏解压表示来传达监控视频中的时间冗余的新系统。通过将帧视频转码为稀疏的、异步的强度样本，引入了内容适应、有损压缩和经典视觉算法的异步形式的机制。评估发现，相对于OpenCV的FAST特征检测速度提高了中位数43.7%。该系统只处理接收到新异步事件的像素，为神经形态传感器和脉冲神经网络应用提供了新的可能性。

阿里云计算平台的大数据基础工程技术团队与其他合作伙伴共同开发了一种基于预测的云资源弹性伸缩框架MagicScaler，该框架在成本和QoS方面优于其他经典的弹性伸缩算法。MagicScaler包含一个基于多尺度注意力高斯过程的预测模型和一个考虑需求不确定性的弹性伸缩优化决策器。该框架将与阿里云的MaxCompute调度策略结合应用。

说到openwrt，就不能不提一下QoS。尤其是如果你需要用P2P软件（目前对迅雷的支持还不大好），基本就不能不开QoS。QoS的全称是Quality of...