利用 Apache TVM 开源框架自动生成算法族，以获得高性能的矩阵乘法算法，并自动化生成特定处理器的微内核，提高可移植性、可维护性并简化软件生命周期，同时实现高灵活性并优化解决方案以满足不同数据类型、处理器架构和矩阵形状需求，具有较小的内存占用，性能可以与手动优化的库相媲美（对于特定的矩阵形状甚至更好）。

Oct, 2023

TVM 是一个深度学习编译器，可将深度学习工作负载在各种硬件后端上具有良好的性能移植性，通过学习基于成本模型的方法，自动进行低级程序的硬件特征优化，实验结果表明，TVM 在处理低功率 CPU、移动 GPU 和服务器级 GPU 的竞争性能与手工调优库类似，并能定位到新的加速器后端，如基于 FPGA 的深度学习通用加速器。

Feb, 2018

VDMS 自动调优框架 VDTuner 利用多目标贝叶斯优化，能够高效探索复杂多维参数空间，并在搜索速度和召回率之间达到最佳配置，显著提高 VDMS 性能（搜索速度提高 14.12％，召回率提高 186.38％），相比于默认设置更加高效，优于最先进的基准测试（调优时间最多快 3.57 倍），并可扩展到特定用户偏好和成本感知优化目标。

Apr, 2024

本文研究了贝叶斯框架下稀疏矩阵分解的超参数调整问题。基于先前的工作，提出了一种新的基于数值的超参数调整方法，通过评估稀疏矩阵先验中的归一化因子零点。与广泛使用的稀疏主成分分析算法相比，我们的方法在地面真实稀疏矩阵重建上表现出优异的性能。

May, 2023

本研究基于贝叶斯优化框架，建立高斯过程模型，通过前期实验获得的信息来优化机器学习算法的超参数调整，作者提出可以超过经验人类调参表现的自动算法，并介绍收集实验信息、利用多核心并行实验等新算法。

Jun, 2012

Bayesian optimization and compiler autotuning research is advanced through the use of CATBench, a benchmarking suite that captures the complexities of compiler autotuning using machine learning-oriented computations.

Jun, 2024

介绍了一种名为 AVITM 的新 topic model，用 autoencoded variational inference 解决了 Dirichlet 分布和 component collapsing 问题，并且推出了一种新的 topic model，ProdLDA，更容易解释。

Mar, 2017

我们开发了一种深度强化学习编译器 LoopTune，用于优化深度学习模型中的张量计算，以在 CPU 上实现超快速度的代码生成和硬件特定优化。

Sep, 2023

本文提出了一种新的 AutoML 系统，利用矩阵和张量分解作为代理模型，通过贪心实验设计协议来高效收集有关新数据集的信息，从而解决数据科学家在选择适当的监督式学习模型时面临的挑战。经过对大型实际分类问题的实验，证明了这种方法的有效性。

Jun, 2020

Spark 调优框架采用自动调优技术，通过贝叶斯优化解决了参数调优中的问题，提高了效率。

Sep, 2023