本文介绍了一种基于 AutoML 框架的 eTOP 框架，该框架可以决定在执行到 Pipeline 中的哪个步骤时停止计算以加快训练时间，该框架同时还减少了与 MLBox4 结合使用时的计算资源消耗。

Apr, 2023

通过探索 Intelligence Processing Units (IPUs) 的优化技巧以及将专用模型迁移到 IPU 平台，本研究表明 IPU 是机器学习、材料科学和电池研究领域中 GPU 的一种可行加速器替代方案。在多次充放电循环中，本研究还展示了 IPU 上进行有效电导率预测任务时使用卷积神经网络 (CNN) 架构模型与 GPU 执行相当的性能，并通过基准测试发现 Graphcore 的 Bow IPU 相较于 Colossus IPU 有显著的性能改善。

Apr, 2024

本研究探讨了如何利用 Transfer Learning 及 Intel Xeon (特别是 4 代 Intel Xeon 可扩展处理器)，打破传统观念，证明训练不仅依赖于 GPU。我们通过案例研究，在一个公开可用的 TensorFlow 图像分类数据集上，利用 Intel Advanced Matrix Extensions (AMX) 和 Horovod 分布式训练，实现了接近国际领先水平的图像分类准确性。

Oct, 2023

我们提出了一个基于 Web 的一体化流程，能够进行数据预处理、训练、评估和可视化机器学习模型，无需手动干预或编程专业知识，通过集成传统机器学习和深度神经网络模型与可视化，帮助识别、分类、聚类和预测广泛的多模态、多传感器数据，包括图像、语言和一维数值数据，用于药物发现、病原体分类和医学诊断。

Mar, 2024

本文提出了一种在 Intel CPU 上优化深度学习模型训练的方法和工具集 ProfileDNN 以及一个任务优化方法，旨在解决在选择适当硬件时成本和效率之间的权衡问题，并通过几个案例研究探讨了如何使用 ProfileDNN 和 Intel PyTorch 扩展来优化模型训练。

Jun, 2022

通过使用深度学习模型的不同版本来动态配置批处理大小、复制和模型变体，IPA 系统可以有效地优化准确性、降低成本并满足用户定义的延迟要求。实验结果显示，IPA 可以提高规范化准确性达到 35%，而成本只增加不到 5%。

Aug, 2023

本文介绍了一种名为 Pipe-it 的替代框架，它采用流水线设计将卷积层分布在多个簇中，从而限制各自卷积内核的并行化，以提高 IoT Edge 智能的推理效率。使用性能预测模型利用卷积层描述符预测各允许的内核配置（类型和数量）上每个卷积层的执行时间，并利用有效的设计空间探索算法来创建平衡的管道，Pipe-it 平均提高了 39％的吞吐量。

Mar, 2019

利用 CPU 加速大型语言模型推理的并行化方法提高吞吐量，通过利用现代 CPU 体系结构的并行处理能力和批处理推理请求，与多个工作程序在同一设备上运行以进行更多的吞吐量改进，可以减少 LLM 的功耗约 48.9％，并提供具备生产环境的吞吐量和延迟。

Mar, 2024

本研究提出了一种新的基于自动语音识别的端到端 S2I（语音转目的）模型，以解决语音客服系统中传统基于多组件管道的模型构建过程中所面临的挑战，实验结果表明，新模型的 F1 得分相对提高了约 27%。

Oct, 2022

这篇论文介绍了人工智能，特别是深度学习对大量数据进行训练，测试和验证的需求，以及在对数据进行标注方面实现图像生物库的重要性，并讲述了在实现合适的图像数据集合时，需要考虑法律局限和云计算等多方面，最终提出了一种基于混合云实现 AI pipelines 的解决方案。

Jan, 2022