- 基于深度 Galerkin 反馈法的智能体动力学最优控制
通过采用基于漂移放松的采样方法，本文研究了 Deep Galerkin 方法所面临的采样问题，通过验证 Sznajd 和 Hegselmann-Krause 模型中的意见动态变化的多场控制问题，得出的策略在手动优化控制函数上实现了显著成本降 - OCCAM: 面向成本效益和准确性感知的图像分类推断
OCCAM 是一种基于整数线性规划问题的原则方法，用于计算图像分类查询的最佳分类器分配策略，以在用户指定的成本预算下最大化聚合准确性。在各种真实数据集上，OCCAM 实现了 40% 的成本降低，同时准确性几乎没有下降。
- ICLR混合 LLM：成本高效且质量感知的查询路由
本研究提出一种混合推理方法，结合大型语言模型和小型模型的优势，通过路由器根据预测的查询难度和期望的质量水平将查询分配给相应的模型，以在成本节约和保持质量之间进行动态调整，实验结果表明能够减少高质量模型的调用次数达到 40%，且不影响响应质量 - EMNLPLLMLingua：压缩大型语言模型推理加速的提示
LLMLingua 是一种粗粒度到细粒度的提示压缩方法，利用预算控制器、基于令牌级的迭代压缩算法和基于指令调整的语言模型分布对齐方法，实现高压缩率下语义完整性的维持，有效加速模型推理并降低成本。在多个不同场景的数据集上的实验和分析表明，该方 - 云计算中优化资源供应的成本感知机制
通过学习为基础的资源配置方法，实现了云计算中的低成本、高效能需求的资源调配方案。通过综合评估，我们的方法有效地满足了大多数需求，并且受到了性能目标的支持。
- 蝇拍还是大炮？通过元建模选择具有性价比的语言模型
基于句子中给定的输入和候选语言模型，CELMOC 框架致力于以低成本实现高整体性能，最大程度地节省经费并匹配最大可用的语言模型的性能。
- 使用不完备的机械知识进行制造过程加速且低成本的机器学习
本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在 Fused Filament Fa - ICML高效训练序列的知识蒸馏
本篇研究探讨了如何通过知识蒸馏技术，减少重新训练模型所需时间和计算成本，实验结果表明，在保证准确率的前提下，通过蒸馏前一次迭代的模型来优化后续的模型，是一种可行的对模型训练耗时和费用成本的优化方法。
- 深度强化学习用于成本效益医学诊断
本文介绍了一种利用增强学习和奖励设计方法优化实验测试序列，以最大化 F1 得分和降低成本的动态诊断策略。作者使用基于半模型深度诊断策略优化 (SM-DDPO) 的方法处理多种临床任务的数据，实现了高准确性和高成本效益
- AAAI疲劳强度估计中的鲁棒性
本文提出了一种基于机器学习的疲劳强度估计方法，并针对该方法的鲁棒性、适用性和优势进行了研究，结果表明其在降低实验成本方面具有潜在的优势。
- 智能外呼机器人的目标驱动对话策略优选
通过使用基于人工智能技术的智能机器人在外呼业务中与客户通信来减少成本并实现自动化。
- 使用神经架构搜索和早期停止的图像分类中的两阶段架构微调
本文介绍了利用预训练神经网络和基于神经体系结构搜索的两阶段微调概念，使用突变方法和提前终止搜索等策略，实验结果表明我们的方法减少了 32.4％的计算成本和 22.3％的搜索成本。
- ICML双向核矩阵镂空：走向高效 PCA 和 谱聚类
本文介绍了一种基本的计算和存储降低方法，用于光谱聚类和主成分分析。该方法可以大幅度减少数据矩阵和其相应内核（Gram）矩阵的计算复杂度和存储需求，而仍然能保持一定的性能。
- ICML多标签分类任务的高效在线 ML API 选择
本论文提出了一种名为 FrugalMCT 的自适应机器学习 API 选择框架，通过将 API 选择问题转化为整数线性规划，能够在不降低预测准确率的同时获得高达 90% 的成本降低效果，并展示其在多种任务上的性能优异性。
- ICML大规模解决库存不准确问题
利用跨部门和 SKU 的横截面数据，提出了一种基于入口的方法来检测低秩泊松矩阵中的异常点，该方法可以适应一般类别的概率异常模型，并在实际数据中显示出比现有方法多 10 倍的成本降低。
- ACL自然语言评估中去偏置自动度量的代价
本文提出使用控制变量方法，结合自动评价指标与人工评价来获取代价较低的无偏估计，在对文摘和开放式问题回答进行评估时，可以实现 7-13% 的代价降低，同时强调了自动评价指标和提示方式是进一步降低代价的关键瓶颈。
- 特征预算随机森林
该研究提出一种新颖的随机森林算法，通过贪心极小最大代价加权不纯度分割，使得生成具有低成本和高强度的树，来实现在特征收购预算下，如何在保证高准确性的同时降低预测时间成本。理论分析表明算法的收购成本接近最优，实验结果在多个基准数据集上优于基准算 - 模块性的进化起源
通过选择直接减少网络节点之间成本的压力，模块化网络的出现是普遍的。在最大程度上提高网络表现和最小化连接成本的选择压力下进行的实验产生的网络比仅选择性能的对照实验更具模块化和适应性。