ALOJA 项目是一个开放的、供应商中立的存储库，配备了超过 40,000 个 Hadoop 作业执行及其性能细节。该存储库配备一个测试台和工具，部署和评估不同硬件配置、参数和云服务的成本效益。ALOJA-ML 是一个预测性分析扩展，通过对观察执行的环境进行建模，提供了一个自动化系统，可以预测新配置和硬件选择的执行时间，基于模型的异常检测或高效的基准测试指导也有可能。

Nov, 2015

该研究介绍了一种名为 LLM 辅助在线学习算法（LOLA）的新型框架，通过将大型语言模型（LLMs）与自适应实验相结合，优化内容传递，以提高用户参与度。研究结果表明，与传统 A/B 测试方法相比，LOLA 在有限的实验流量或多种实验情境下表现更好，特别适用于数字广告和社交媒体推荐等各种数字环境中的内容实验。

Jun, 2024

使用可复现的主动学习评估框架来比较评估自然语言处理中的主动学习策略，并通过定义和跟踪实验参数，帮助实践者作出更明智的决策，同时帮助研究者开发出新的高效主动学习策略和制定最佳实践，从而降低注释成本。

Aug, 2023

本文分析了自动机器学习在企业分析应用中的潜力，并将 H2O AutoML 框架与手工调整的 ML 模型在三个真实数据集上进行了基准测试，发现 H2O AutoML 框架快速、易用、可靠，表现接近手工调优的 ML 模型，是一个有价值的工具，能够支持快速原型设计，缩短开发和部署周期，并能够弥合 ML 专家供需之间的差距。

May, 2022

ALAMO 是一种用于从数据中学习代数函数的计算方法，通过从数据中构建低复杂度的线性模型，并使用非线性变换，将线性模型精确逼近实际过程中的复杂行为，并使用无导数优化的误差最大化采样逐步细化模型。同时，该方法可以强制约束反应变量，以纳入基础知识，并用于进一步完善浓度模型，生成表现更好且满足模型输出上下限约束的模型。

May, 2017

通过使用虚拟人物的人格特征，如人物属性和流派，使角色模型更逼真地模拟人物对话风格。

Oct, 2019

本论文介绍了一种基于贝叶斯神经网络的框架，可通过只使用少量标记测试数据有效地测试机器学习模型的正确性，该框架利用数据扩充方法训练 BNN 以实现高精度，同时采用理论信息为基础的采样策略来采样数据点以实现准确的度量估计，并通过实验表明我们的方法比现有基准显着地提高了指标估计的准确性。

Apr, 2021

本文介绍了一种基于主动学习框架（ALF）的网络流量分类方法，它提供了准备好的软件组件，用于部署主动学习循环和自动维护数据集和机器学习模型的实例。该方法可应用于高速网络（100Gb/s），支持不同的注释、评估和数据集优化策略的研究实验。

Oct, 2022

大型语言模型（LLM）的巨大成功鼓舞了 LLM 增强型自主代理（LAA）的出现。LAA 能够使用其核心 LLM 生成动作并与环境交互，可以通过将过去的交互（包括观察和动作）作为条件来解决复杂任务的能力。我们提供了一个关于代理体系结构和 LLM 骨干的全面比较，同时提出了一种新的策略来编排多个 LAA，使得每个工作代理集中于一种类型的动作，即 BOLAA，其中一个控制器管理多个代理之间的通信。我们在决策制定和多步推理环境中进行了模拟，全面证明了 LAA 的能力。我们的性能结果量化地为设计 LAA 架构和 LLM 的最佳选择以及两者的兼容性提供了建议。我们将 LAA 的实现代码公开发布在 https://github.com/salesforce/BOLAA。

Aug, 2023

本文主要讨论了在现实生活中，应用机器学习的算法所面临的各种挑战，提出了数据导向架构（DOA）作为一种解决方案，探讨了现有的基于机器学习的实际系统是否实现了 DOA 的原则，并提出了 DOA 进一步发展的研究方向和挑战。

Feb, 2023