通过将神经网络的编译器优化问题作为强化学习问题，本文提出了一种新的解决方案，名为 ReLeASE，它通过聚类来聚焦于代表性点上的昂贵采样，并且通过在较短的时间内更好地探索来提高样本的质量。实验表明，使用自适应采样的强化学习可以大大加快优化时间并提高现代深度网络的推理时间。

May, 2019

该论文提出了一种自适应神经编译框架来解决高效节目的学习问题，并展示了如何使用可微表示将程序编译为不同 iable 的表示，并通过考虑输入数据分布来优化这种表示，以实现为给定数据分布学习特定调整算法的目标。

May, 2016

该论文提出了一种称为 Chameleon 的高效神经网络架构设计方法，它能够利用现有的高效网络建立模块，并专注于利用硬件特征和适应计算资源以适应目标延迟和 / 或能量限制。通过一系列准确性和资源（延迟和 / 或能量）预测器，该算法能够在各种约束条件下生成出色的模型架构。

Dec, 2018

通过研究现有 ML API 的输出如何影响应用程序的决策过程，我们提出了一种名为 ChameleonAPI 的优化框架，该框架可以根据每个应用程序自定义训练和部署神经网络模型，从而减少应用程序的错误决策约 43%。

Oct, 2023

创建了一种名为 Chameleon 的异构加速器系统，利用分体架构整合了语言模型和信息检索加速器，实现了对于不同的 Retrieval-Augmented Language Model 系统需求的高效加速，并在性能上取得了显著的提升。

Oct, 2023

本文提出了 Chameleon 框架，该框架通过在 Large language models（LLMs）上加上合成程序的方式来提高 LLMs 的能力，特别是在处理需要精确数学推理、使用外部工具或获取最新信息的任务时。作者通过使用科学问题答案（ScienceQA）和网页表格解析（TabMWP）两个任务来展示 Chameleon 的效率和适应性，结果表明 Chameleon 可以在这些任务上显著提高模型的准确率，并且使用 GPT-4 作为规划器可以更加稳定和合理地选择工具，并推断给定指令的潜在约束。

Apr, 2023

本文提出一种深度强化学习方法，以最小化优化器中神经网络计算图的执行成本。该方法通过离线训练优化器，然后推广到以前未见过的图形，以避免在同一图形上进行更多的训练。通过比较广泛的基线，我们的方法在运行时间和峰值内存使用量上比经典和其他基于学习的方法都取得了显着的改进。

May, 2019

Chameleon 是一个独特的混合框架，它通过组合基于加性秘密共享的协议和通用秘密函数评估协议的优点来实现双方合作计算功能；其支持具有签名定点数的向量点积，可用于高效加密数据的挖掘和分类。研究结果显示，与 Microsoft CryptoNets 和 MiniONN 相比，Chameleon 的执行速度分别快 133 倍和 4.2 倍。

Jan, 2018

CodeZero 是一个基于人工智能的编译优化工具，通过深度强化学习的方式训练智能代理，能够在单次试验中为每个程序即时生成有效的优化策略。在基准测试套件和生产级代码优化问题上的评估结果表明，CodeZero 具有超级编译器性能和零 - shot 泛化能力，超过了由编译器专家设计的内置优化选项。我们的方法为人工智能在工程领域的潜力提供了启示，并为在代码优化领域扩展机器学习技术铺平了道路。

Apr, 2024

提出一种名为 “ool” 的方法，通过程序分析和转换技术将动态神经网络转化为多个子神经网络，使得现有的 DL 编译器成功编译动态神经网络实现更好的性能。

Jul, 2023