- DNNLasso：矩阵变量数据的可扩展图学习
我们介绍了 DNNLasso，一种用于估计 Kronecker-sum 结构的精度矩阵的对角非负图形套索模型，在准确性和计算时间方面明显优于最先进的方法。
- 卷积神经网络何时停止学习？
使用卷积神经网络（CNNs）研究数据变化来预测其接近最佳学习能力，无需使用验证数据，以提高训练效率。通过在六种不同的 CNN 变种和三个不同的图像数据集上进行测试，研究表明该假设可以节省 58.49% 的计算时间，并且在与 MedMNIST - 用奥卡姆剃刀减轻权重：使用边际似然的贝叶斯稀疏化神经网络
神经网络稀疏化是一条有前途的路径，可在计算时和内存成本方面节省时间，特别是在许多成功的 AI 模型变得过大而无法简单部署到消费者硬件的时代。
- MM用图神经网络作为快速高保真模拟器进行有限元冰盖模型建模
本研究利用图神经网络 (GNN) 开发了快速代理模型来解决冰川动力学问题，通过使用 20 年的变动模拟数据训练和测试 3 个 GNN（图卷积网络，图注意力网络和等变图卷积网络），结果显示这些 GNN 能够以更高的准确性重建冰厚度和速度，并成 - 最小压力梯度原则：不可压缩流体力学中物理驱动学习的替代基础
应用基于变分方法的物理信息学习到流体力学领域的最新进展，使用最小压力梯度原理和连续性约束训练神经网络来预测不可压缩流体中的流场，演示了其实现并展示了相对传统方法减少每个训练时代的计算时间。
- 锚空间最优传输：加速多个 OT 问题的批处理
基于锚点空间最优传输问题，提出三种方法来加速实际多个最优传输问题的处理，实验证明本文的方法可以在保持合理逼近性能的同时大大减少计算时间。
- 通过人工智能，让基于分解的优化摒弃人类干涉：第二部分。学习初始化
通过机器学习方法学习大规模优化问题的分解式解决方法，从而在计算时间上实现最优初始化，进而用于解决混合整数模型预测控制问题，结果表明该方法能显著减少解决时间并减少所需数据。
- 具有性能保证的机组组合预测器：支持向量机分类器
通过学习和预测常规单元的开关决策，可以为系统操作员提供一个实用的解决方案，从而加快计算速度。在这篇文章中，我们训练了线性和核化支持向量机分类器，这些分类器可以在适当正则化的情况下提供一个样本外性能保证，并转换为具有分布鲁棒性的分类器。通过在 - FPTN：用于交通流量预测的快速纯 Transformer 网络
本文研究通过提出一种快速的 Transformer 网络来预测交通流量，该网络能够准确地捕捉交通数据中的复杂时空依赖关系，同时大大降低了计算时间和计算资源的要求。
- 一种内存高效的蛇游戏自主代理深度强化学习方法
本文提出了一种改进的深度强化学习方法，使用轻量级卷积神经网络和简单的奖励机制对压缩的图像数据进行处理，避免了需要额外环境信息的需求，从而使得使用更小的内存和时间能够在经典控制游戏 “贪吃蛇” 中实现与其它深度强化学习方法相似的性能表现。
- 自适应分区的深度学习方法
本研究提出一种监督深度学习适应性分区方法，用于建模可压介质中 1D 激波的传播，它能够准确地捕捉域内的激波，生成适应性非均匀网格，可在降低计算时间的同时保证计算时空间离散化的准确性。
- AAAI混合流形网络：逆模建模的高效基线
本研究提出并证明了一种新的逆问题解决方法，使用深度学习代替传统解析解，使用多种流形反向建模相结合的正向反馈模型架构，借助前向模型生成训练数据，用于在计算时间和模型性能之间取得平衡，通过对四项基准逆问题的比较，并对其设计进行分析来展示其优势。
- 元最优输运
该论文研究了利用折旧优化技术来预测最优输运映射的应用，称之为 “元优化传输”（Meta OT)。它提高了标准方法的计算效率，并改进了收敛速率。
- AAAI通过 LP 松弛约束组合搜寻实现精确 MAP 推断
针对基于图模型的最大后验概率推断问题，本研究提出了一系列不同于 Sherali-Adams 层次结构的松弛方法，将问题分解为一个简单的 LP-tight 部分和一个困难的组合求解器部分，实验证明对小部分问题可以显著降低计算时间。
- 关于假设检验的计算困难性注记：使用低阶似然比进行预测
本文介绍了一种新的方法，称为低次方法，用于预测和理解高维推断问题中的统计与计算权衡，并给出了一些新的结果、简化的证明和改进的猜想。该方法假定一个特定数量 —— 低次似然比的第二时刻 —— 可以揭示解决给定假设检验问题所需的计算时间的信息，进 - AAAI通过近端迭代实现高效神经网络架构搜索
本文提出了一种基于纵向梯度下降的可微分神经结构搜索方法（称为 NASP），其通过将搜索过程重新构成为一个优化问题，并在前向和反向传播期间仅允许更新一个操作的约束条件下，以 10 倍于 DARTS 方法的计算时间加速获得高性能的架构。
- ECCV基于匹配的视频对象分割：VideoMatch
该研究提出了一种基于匹配的视频目标分割算法，在不需要 fine-tuning 的情况下实现了实时性和较短的计算时间。
- 适应性神经网络的高效推理
通过自适应选取深度神经网络组件或网络进行评估，可以在不损失准确性的情况下，显著减少计算时间，例如在 ImageNet 图像识别挑战中，最多可加速 2.8 倍，并且仅有最高 5 个命中率的轻微损失。
- ICMLGPU 上高效的 softmax 近似算法
文章提出了一种名为自适应 softmax 的算法，采用字词聚类的方法来降低神经网络语言模型训练中的计算复杂度，并结合现代计算机体系结构和矩阵向量运算技术进一步提高了训练效率。实验结果表明该方法的效果稳定，能够在保证高精度的同时显著提高计算速 - 急切宇宙学家的参数
本文介绍 Pico 算法，一种快速、准确、强大和灵活的参数估计加速方法，可以在几毫秒内计算出 CMB 功率谱和物质转移函数以及任意计算密集的可能性，从而将计算时间降低 1 到 2 个数量级。