本论文提出了一种名为 FrugalMCT 的自适应机器学习 API 选择框架，通过将 API 选择问题转化为整数线性规划，能够在不降低预测准确率的同时获得高达 90% 的成本降低效果，并展示其在多种任务上的性能优异性。

Feb, 2021

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

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

该研究分析了使用大型语言模型的成本，并提出了三种降低推理成本的策略，包括提示适应，LLM 近似和 LLM 级联。 基于这些策略，我们提出了 FrugalGPT，它可以使用不同的组合来降低成本并提高准确性。

May, 2023

本研究探究了机器学习模型机密性和公共访问之间的紧张关系，针对在线服务（如 BigML 和 Amazon Machine Learning）中的普通模型类，研究了一些简单有效的攻击方法和相应的反攻击策略。

Sep, 2016

应用自动化的机器学习（AutoML）方案代替手动创建的机器学习管道，结合公司的领域知识进行价格预测的工业需求研究，展示了 AutoML 导致的小型和中型企业对机器学习专家的依赖减弱的可能性。

Apr, 2023

使用主动学习和大规模公共数据集的模型提取框架，可以通过黑盒访问从图像和文本领域的各种数据集中训练出的深度分类器，其中仅使用其 30%（30,000 个样本）的数据集。

May, 2019

我们在这篇论文中发现了一种新的攻击 LLM API 的策略，即提示抽象攻击。我们提出了 Mondrian，一种简单直接的方法，通过对句子进行抽象，从而降低了使用 LLM API 的成本。通过使用 Mondrian，我们成功地降低了用户查询的令牌长度，从而实现了无需开发和部署 API 的盈利。

Aug, 2023

智能缩放模型在降低自然语言处理任务的推理成本方面具有显著的经济效益，通过在多个模型之间进行权衡，可以实现高质量和低成本的结果。

Mar, 2024

利用无监督域适应和多受害者集成的方法，攻击者可能会在 NLP API 中超越原始黑盒模型，这是对模型提取以前的理解的超越，验证结果表明模仿者可以在转移领域中成功地胜过原始的黑盒模型，这将影响 API 提供者的防御或发布策略。

Aug, 2021