- CVPRToSA：用于高效视觉 Transformer 的令牌选择性注意力
本研究提出了一种新颖的令牌选择性注意力方法，即 ToSA，它可以识别需要参与注意力的令牌以及可以跳过变换器层的令牌。通过应用 ToSA，我们能够显著减少计算成本，同时在 ImageNet 分类基准上保持准确性，并在 NYU Depth V2 - 通过稀疏上下文选择加速检索辅助生成的推理
通过引入稀疏技术，Sparse RAG 提出了一种新颖的范式，在提高生成质量的同时减少计算成本，通过并行编码检索文档并选择性地解码输出，既降低了延迟，又提升了模型的焦点和生成质量。
- 远程感知中的设备推理的两阶段检测简化
该论文提出了一种用于两阶段目标检测器的模型简化方法，通过仅使用一个特征提取来减少计算成本，同时通过对 RPN 的得分图应用高通滤波器来弥补精度下降，实验结果显示，在 DOTAv1.5 数据集上我们的方法在计算成本上降低了 61.2%，精度损 - NeuFlow：在边缘设备上实时高精度机器人光流估计
我们提出了一种高效的光流架构 NeuFlow，通过全局到局部的匹配方案，在不同计算平台上显著提高了效率，并成功在小型机器人如无人机上实现了复杂的计算机视觉任务，如实时定位与地图构建（SLAM）。
- 通过方差估计加速锐度感知最小化的有效梯度样本大小
通过采用自适应采样方法基于 PSF 变化的原则，本文提出了一种简单且高效的采样方法，以显著加速模型优化过程中的计算速度，并在广泛的网络架构上实现了与 SAM 相当的最新准确度。
- 贝叶斯优化的泊松过程
基于泊松过程的贝叶斯优化方法，提出了一种基于排名的替代模型。通过两个定制的获取函数，解决了传统方法中的计算成本高和对噪音敏感的问题，并在模拟和真实世界基准测试中证明了其有效性。
- DeepSeekMoE: 迈向极致专业化的混合专家语言模型
在大型语言模型的时代，混合专家模型 (MoE) 在扩大模型参数时管理计算成本方面具有潜力。然而，传统的 MoE 架构（如 GShard）在确保专家专业化方面面临挑战。因此，我们提出了 DeepSeekMoE 架构，旨在实现终极的专家专业化。
- dRG-MEC：面向 MEC 启用的云网络的分散增强绿色卸载
我们提出了一种优化资源利用的技术，实现联合计算卸载以减少总计算和通信开销，并构建一个绿色环境。与基准方案相比，我们的技术将总系统成本减少了 37.03%。
- SpVOS：具有三重稀疏卷积的高效视频目标分割
本文提出了一种名为 SpVOS 的 VOS 稀疏基线方法，通过开发一种新颖的三元稀疏卷积来减少整体 VOS 框架的计算成本，并结合稀疏训练策略对 VOS 分割性能和计算成本进行平衡，实验结果表明 SpVOS 在资源受限场景下具有应用潜力。
- 通过特征偏移调整实现稳定的后门净化
深度神经网络容易受到后门攻击，传统的防御方法存在各种问题。本研究提出了一种基于特征位移调整的后门净化方法，通过调整分类器权重来使得后门特征与正常特征分离，实验结果表明该方法在多种攻击场景下表现稳定，并且具有较低的计算成本。
- 高效基准测试（语言模型）
使用 LM 评估的计算成本的智能减少，提高效率，保证可靠性，从而显著降低计算量并保持基准可靠性，通常减少计算量 100 倍或更多。
- ECCVNSNet：用于高效视频识别的非显著性抑制采样器
该研究提出了一种有效的非显著性抑制网络 (NSNet)，该网络可以在硬件计算速度低下的情况下实现高精确度的视频识别。通过在帧级别生成伪标签，并在视频级别上学习时间注意，NSNet 有效地抑制了非关键帧的响应，并取得了显著的时间和效率改进。
- AdderNet：深度学习中真的需要乘法吗？
该论文通过使用 AdderNets，将深度神经网络中的大量乘法转化为更便宜的加法来降低计算成本。通过特殊的反向传播方法和自适应学习率策略，在卷积层中消除任何乘法，以实现更好的性能优化。使用 ResNet-50 在 ImageNet 数据集上 - ICLR高效卷积神经网络中的滤波器裁剪
本文提出了一种基于滤波器减少方法的 CNNs 加速方法，它不依赖稀疏卷积库，通过移除对输出准确性影响较小的整个滤波器及其连接的特征图，大大降低了计算成本，在 CIFAR10 数据集上可以使 VGG-16 推理时间减少 34%、ResNet-