本文研究了分布式空间数据分析的机器学习方法，并提出了一种新的深度强化学习算法来有效地分配大量的空间数据给计算机，通过实验证明，此方法可加速距离连接查询，减少任务运行时间长达 59.4%。

Jun, 2023

该论文提出了一种基于图分割的分布式计算算法，其可以有效降低数据分布式处理过程中的通信成本，实验结果表明该算法能够在机器学习系统中实现 1.6 倍的加速，并且消除 90％的网络通信。

May, 2015

通过对高性能计算系统中机器学习应用的 I/O 进行研究，本文在 2019 年至 2024 年的 6 年时间窗口内，概述了机器学习的常见阶段，评估了可用的分析工具和基准测试，探讨了机器学习训练过程中遇到的 I/O 模式，研究了现代机器学习框架中使用的 I/O 优化方法并提出了未来的研究方向和需要进一步探索的问题。

Apr, 2024

基于机器学习的性能模型在构建关键的作业调度和应用程序优化决策中越来越被使用。我们开发了持续学习性能模型，考虑到数据分布漂移，减轻灾难性遗忘，并提高泛化能力。我们的最佳模型能够保持准确性，无论系统变化引起的新数据分布，同时相比于朴素方法，在整个数据序列的预测准确度上提升了 2 倍。

Oct, 2023

高性能计算系统中的性能分析是一项重要任务，本文主要贡献是识别出最适合于根据高性能计算系统中作业行为对其进行分类的度量标准，并验证了网络流量监测相关的度量标准与层次聚类算法在此任务中的适用性。

Dec, 2023

本文提出了一种可扩展的机器学习框架用于预测多体系统的强度等性质，尤其是相分类。该方法基于线性可扩展性和可转移性，通过局部化的先验假设，开发出用于有限大小块强度等性质预测的 ML 模型，并展示了该方法在相分类中的应用。

Apr, 2023

本文研究了数据异质性问题如何影响机器学习算法的预测能力和公平性，并提出了可用预测异质性的估计方法和优化算法，实验证明对于收入预测、作物产量预测和图像分类等任务，挖掘数据异质性能够提升模型的泛化能力和公平性。

Apr, 2023

该论文选择性地回顾了大数据分析的统计计算方法。该文重点研究了三类统计计算方法：(1) 分布式计算，(2) 子采样方法，以及 (3) 小批量梯度技术。

Mar, 2024

本研究提出了一个通用的框架，通过观察到许多机器学习程序基于优化，容忍误差，迭代收敛算法解决方案，以系统地解决大规模机器学习中的数据和模型并行挑战，具有 ML 程序结构的有界误差网络同步和动态调度设计等系统设计，证明了这些系统设计比现代 ML 算法已知的实现更加高效，甚至可以在较小的计算集群上运行更少时间和更大的模型尺寸。

Dec, 2013

通过并行坐标系中的视觉知识发现，使用混合和纯超块（HB），以及建议在超算法中使用混合和纯超块，利用 UCI ML 库的基准数据评估结果，建立超块、降维和可视化之间的连接，并提出了一种新的方法来可视化具有缺失值的不完整 n-D 数据。

May, 2023