介绍了一种分布式训练神经网络的资源管理机制 ——DISTREAL，采用动态 dropout 机制调整每个设备的计算复杂度，通过 Pareto-optimal DSE 技术和联邦学习系统，实现了设备自主选择 dropout 向量来适应不断变化的可用资源，大幅提高了收敛速度而不损失精度。

Dec, 2021

该研究提出了一种名为 LATENT 的本地差分隐私算法，该算法通过将卷积神经网络架构分为卷积模块、随机化模块和全连接模块，并使用新的差分隐私协议实现随机化模块作为网络功能虚拟化隐私保护服务，在边缘 - 云协同中使得保护隐私的深度学习在物联网环境下更加实用。

Aug, 2019

最近在图像数据处理方面的研究进展表明，通过机器学习，尤其是深度神经网络（DNNs）的使用，可以通过数据驱动的人工智能为辐射探测器和成像设备提供新的优化和性能增强方案。我们概述了光子源的数据生成、基于深度学习的图像处理方法以及深度学习加速的硬件解决方案。目前大多数现有的深度学习方法是离线训练的，通常需要大量的计算资源。然而，一旦训练完成，DNNs 可以实现快速推理速度，并且可以部署到边缘设备上。边缘计算是一种新趋势，它具有较低的能量消耗（数百瓦或更少）和实时分析能力。虽然以往通常用于边缘计算的基于电子的硬件加速器（从中央处理器（CPU）到应用特定集成电路（ASICs）的通用目的处理器）正不断接近性能极限，在延迟、能量消耗和其他物理约束方面存在限制。这些限制催生了下一代模拟神经形态硬件平台，如光学神经网络（ONNs），用于高并行、低延迟和低能量计算，以提高深度学习加速。

Nov, 2023

该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

Feb, 2016

本研究提出了一种基于超维强化学习模型 QHD 的解决方案，该模型可以通过降低存储空间和批处理大小实现即时学习，该模型也支持小的经验重放批处理大小，提供 12.3 倍的加速效果，并且可以在边缘环境中进行高效的强化学习。QHD 的速度是与现有的深度强化学习算法相比提高了 34.6 倍，而学习效果更好。

May, 2022

本论文通过重新考虑分发策略，并利用增强学习设计来支持异构设备和多个 DNN / 数据集，实现协同深度推理的安全性，以平衡联合推理的延迟和数据隐私级别之间的权衡。

Aug, 2022

本文提出了一种新颖的基于预训练卷积神经网络模型的轻量级 OOD 检测方法 EARLIN，通过定义降维特征空间上的距离函数从浅层中挖掘重要特征来检测输入样本是 ID 还是 OOD，无需对已有模型重新训练或使用 OOD 数据集来获取检测参数，通过实验验证其在真实数据集上的检测效果优于其他方法且成本更低。

Jun, 2021

在大规模网络中及时捕捉侵入是十分具有挑战性的，本论文针对网络数据的时空特征，提出了一种层级卷积神经网络 + 循环神经网络，名为 LuNet 的机器学习方法能够更加准确地检测网络入侵，而且假警报率更低。

Sep, 2019

基于 Hazard Rate（HR）排序的 HR-Cache 是一种学习为基础的缓存框架，通过利用上界的规则指导缓存淘汰决策，并通过轻量级的机器学习模型提高字节命中率在边缘环境中的性能。实验结果表明，HR-Cache 相较于现有的最先进方法，在 WAN 流量节省方面具有 2.2-14.6% 的优势，不仅优于启发式缓存策略，还优于现有的基于学习的算法。

Feb, 2024

使用卷积神经网络提取特征表示的学习方法可以更快、更准确地预测网络的稳健性，并提供一个好的指标来度量其连通性鲁棒性。

Mar, 2022