该论文介绍了 ALOJA-Machine Learning (ALOJA-ML) 这个使用机器学习技术来解释 Hadoop 基准性能数据和性能调整的扩展程序，其中详细介绍了方法、模型的功效和初步结果，通过对大量的软件和硬件配置参数进行建模，提供了性能模型，可对各种工作负载的执行时间进行预测，并指导基准探索。

Nov, 2015

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

Talaria 是一个模型可视化和优化系统，通过在设备上进行机器学习来保护用户隐私并提供智能的用户体验。通过优化模型、平衡硬件指标，如模型大小、延迟和功耗，Talaria 帮助从业者创建高效的机器学习模型。

Apr, 2024

通过利用预先制定的操作规程 (SOP)，我们提出了 COLA，一种基于相关挖掘和 LLM 推理的新型混合方法，用于在线警报聚合。实验证明，COLA 在处理大规模云平台的大量警报时，具有可比较的效率，且优于最先进的方法。

Mar, 2024

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

本论文采用 LoRA 与 QA 数据集，将较小的模型精细调整，以展示其复杂的对话能力，我们提出的 Eluwa 模型大幅提高了 Facebook 的 OPT 模型能力，小型模型可以在 40 美元计算成本内达到与大型模型相当的性能。我们对这些模型进行了多种基准测试，包括 GPT-4 对其在涵盖常识、写作、编程和其他任务的提示中的答案的判断。

Apr, 2023

Karasu 是一种更高效的资源配置剖析方法，通过促进类似基础设施、框架、算法或数据集的用户之间的数据共享，训练轻量级性能模型并将它们组合成一个集成方法，以开发配置搜索空间中固有的知识，同时优化多个目标，从而显著提升现有方法在性能、搜索时间和成本方面的表现。

Aug, 2023

本文介绍了 HAPI 数据集，该数据集是商业机器学习 API 应用的首个大规模数据集，可用于对 ML-as-a-service 进行研究，并分析商业 API 的性能随时间变化、性能差距和差异以及跨群体的影响。

Sep, 2022