本文提出了 SPINN 系统，利用分布式计算和渐进推理方法共同实现设备云协同计算，并引入了一种新的调度程序，通过合理设置早期退出策略和 CNN 分割，以适应动态条件和满足用户定义的服务水平要求，以达到快速和强大的 CNN 推理。定量评估表明，在不同网络条件下，SPINN 的吞吐量高达其最先进的协作推理对手的 2 倍，将服务器成本降低了多达 6.8 倍，并在延迟限制下提高精度 20.7％，同时在不确定的连接条件下提供稳健操作和与云为中心的执行相比显著的节能。

Aug, 2020

本文提出了一种基于可微编程的新的旋转系统建模框架，可高效地模拟旋转系统，适用于包括 GPU 和 TPU 在内的不同硬件架构，有效提高了建模效率。

Apr, 2023

我们开发了一种便携式编程模型 sPIN，用于将简单数据包处理功能卸载到网络卡中并加速通信，进而优化大规模计算中的通信性能并提高应用程序执行速度。

Sep, 2017

本研究探究了在机器学习的背景下，提供一个带有恶意安全性的 MPC 协议的实现的 SPDZ 框架的效率，发现其优于以前的实现方式，提供更强的安全性。

Jan, 2019

介绍了一种半参数感知网络 (SPIN) 的模型，该模型可以在推理时计算，使用了感应点方法中数据点的交互机制，可以支持元学习中的大区域数据，并取得了 state-of-the-art 的性能表现。

May, 2022

该论文介绍了 Robust Spin（R-Spin），一种用于演讲者和噪声不变的语音表征的数据高效自监督微调框架，通过学习具有演讲者不变聚类（Spin）的离散声学单元。R-Spin 通过学习预测声学片段来解决 Spin 的问题并增强内容表征。在严重扭曲的语音情景中，与之前的最先进方法相比，R-Spin 在计算资源上减少了 12 倍，同时表现更好。该论文提供了详细的分析，显示离散单元对语音编码器训练和在多样的声学环境中提高鲁棒性的贡献。

Nov, 2023

通过全栈硬件和软件共同设计，NeuSPIN 项目旨在解决基于自旋电子技术的 CIM 平台上 BayNNs 的可变性和制造缺陷所带来的挑战，并开发新的算法和电路设计方法，以提高 BayNNs 在 CIM 硬件上的性能，能效和稳健性。

Jan, 2024

本研究介绍了一种可学习的几何无关模块 ——SPIN，该模块允许神经网络主动变换输入强度颜色，以解决场景文字识别任务中的色彩困难问题，并与现有的空间变换模块协同工作，实验结果表明，使用 SPIN 可以显著提高多个文本识别基准的性能。

May, 2020

本文介绍了一个新的神经架构，称为 SpinNet，旨在提取旋转不变但足够信息丰富以达到精确配准的局部特征。通过空间点变换器和神经特征提取器，可以将输入局部表面映射到经过仔细设计的圆柱空间，并利用点卷积神经层和 3D 圆柱卷积神经层来提取紧凑且代表性的描述符进行匹配。在室内和室外数据集上进行的广泛实验表明，SpinNet 的性能优于现有的最先进技术，并在不同传感器模态下具有最佳的泛化能力。

Nov, 2020

通过引入基于 SPINNs 的方法解决 Boltzmann 方程的 BGK 模型，以改善积分计算和近似粒子密度函数的困难，提高了计算物理中复杂挑战的处理效率和准确性。

Mar, 2024