本文讨论气候变化人工智能的应用，评估了自动机器学习技术在三个高影响的气候变化应用领域的性能，并发现当前的自动机器学习库未能显著超越人设计的模型，但存在一些关键弱点，其中之一是当前大部分自动机器学习技术都是为计算机视觉和自然语言处理应用设计的，所以需要开发出为时空数据设计的搜索空间来寻找新的架构，从而提高性能。为此，作者呼吁自动机器学习社区开展未来工作的具体方向，并发布了代码和一系列资源。

Oct, 2022

本文全面研究了利用云计算的可扩展和分布式人工智能框架以提高深度学习性能和效率的关键方面，包括数据存储和管理、优化策略、模型部署与服务等，并讨论了云计算人工智能的挑战、限制和未来研究方向。

Apr, 2023

本文介绍了边缘计算智能（如边缘人工智能 / 机器学习）的应用和挑战，为解决现有方法存在的采用障碍，提出了一种基于模型为中心的设计，以建立分散体系结构下的高效协作学习。

Jun, 2023

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

本文介绍了 Continual Learning-as-a-Service (CLaaS) 模型服务的设计与实现，提供了模型更新和验证工具，支持实时推断，易于使用且高效。经过两个真实场景的评估，发现该模型服务具有良好的可用性和效率，能有效地解决实践中的问题。

Jun, 2022

机器学习在分布式计算系统中被广泛应用于解释和预测行为，特别是在物联网设备产生大量数据时，通过边缘设备进行数据处理和机器学习训练。为了保证服务质量，系统通过机器学习进行监督和动态调整。然而，如果机器学习模型长时间不进行重新训练，它们可能无法准确捕捉到变量分布的渐变变化，导致对系统状态的错误预测。此外，随着预测准确度的降低，报告设备应主动解决不确定性以提高模型的精确性。脑神经科学中的主动推理（Active Inference）概念可以提供这种自主决策的能力，它描述了大脑如何不断预测和评估感觉信息以减少长期的惊奇感。我们在一个智能制造案例中实现了这些概念，通过一个单一的行动 - 感知循环实现了分布式智能体，展示了我们的主动推理代理能够在满足服务质量要求的同时快速和可追溯地解决优化问题。

Nov, 2023

本文分析了自动机器学习在企业分析应用中的潜力，并将 H2O AutoML 框架与手工调整的 ML 模型在三个真实数据集上进行了基准测试，发现 H2O AutoML 框架快速、易用、可靠，表现接近手工调优的 ML 模型，是一个有价值的工具，能够支持快速原型设计，缩短开发和部署周期，并能够弥合 ML 专家供需之间的差距。

May, 2022

本文介绍了一项基于机器学习的平台 ACE，通过它可以处理不断增加的边缘和云资源，用户透明的服务以及越来越多的智能工作负载。此平台可用于边缘云协作智能应用程序的开发和部署，以提高性能优化的效率。

Mar, 2022

本研究提出一种简单且高效的框架，通过存在的硬件加速器来加速各种 XAI 算法，并探索了 Tensor Processing Unit（TPU）加速 XAI 的有效性，利用卷积和傅里叶变换之间的协同关系，充分利用 TPU 在加速矩阵计算方面的本能能力，这种方法可以带来实时结果解释。与现有加速技术相比，基于 TPU 的提议方法可以提供对结果解释时间的巨大改善（平均 39 倍）以及能源效率（平均 69 倍）方面的提升。

May, 2023

该论文研究 Artificial Intelligence 在 Architecture Engineering Construction 行业中的应用，提出了解决 AI 项目失败的问题的 LeanAI 方法，并给出了实施该方法的案例分析。

Jun, 2023