- 一种可扩展和有效的图变换器替代方案
图神经网络（GNN）在图表示学习方面表现出色，但由于其有限的表达能力，它们在捕捉长程依赖性方面面临挑战。为了解决这个问题，引入了图转换器（GTs），利用自注意机制来有效地建模成对的节点关系。尽管具有这些优势，GTs 在图中节点数目的平方复杂 - 朝向基本可扩展的模型选择：渐近快速更新和选择
深度学习技术的进步带来了每天都有新模型的情况，激发了对可扩展模型选择的研究。本研究旨在针对根本上更可扩展的模型选择，同时支持渐进快速更新和渐进快速选择。
- DP-Net：学习图像识别的区别性部分
该论文介绍了一种具有较强解释能力的深度架构，名为 Discriminative Part Network (DP-Net)，它利用了预训练的卷积神经网络 (CNN) 和基于部分的识别模块。该系统学习并检测图像中在不同类别中具有区别性的部分， - 基于随机投影的可扩展密度聚类
我们提出了一个高效的基于密度的聚类算法 sDBSCAN，利用随机投影的邻域保持特性，能够快速识别核心点及其邻域，理论上，在合理条件下，sDBSCAN 的聚类结构与 DBSCAN 类似，具有较高的概率。sDBSCAN 在真实世界的百万点数据集 - 超级智能体：用于复杂环境的简洁、可扩展、高效和可证明的强化学习框架
提出了一种基于 HyperAgent 的强化学习框架，通过超模型、索引采样方案和增量更新机制，在资源约束下实现对复杂任务的简化、高效和可伸缩性，以及超越共轭的通用值函数近似下的计算高效的顺序后验近似和数据高效的动作选择。
- 适用于所有人的配音：使用神经渲染先验进行高效配音
利用数据效率的神经渲染先验和神经纹理进行演员特定的自适应，以达到高质量的视觉配音，只需几秒钟的数据即可实现，同时具有限数据的普遍性和可扩展性。
- 大型局部队列系统中的稀疏均场负载平衡
利用稀疏均场理论中的最新进展，以可处理的方式学习稀疏连接队列网络中的近似最佳负载平衡策略，从而在高度局部化网络中获得可行的负载平衡方法。
- ChaTA：运用开源 LLMs 构建智能问答辅导助手
为应对可扩展且智能的问答挑战，我们引入了一种创新解决方案，利用开源的大型语言模型（LLMs）来确保数据隐私。我们在一个入门计算机科学课程的 Piazza 数据集上进行了实验，并对一个小的子集进行了人工评估和自动 LLM 评估。我们初步发现通 - 实现可扩展的元学习
该研究通过引入 SAMA 来实现可扩展的元学习，它通过避免显式计算二阶梯度信息和利用一阶梯度的有效分布式训练技术，灵活地支持基本元学习程序中广泛的自适应优化器，并在多个大规模元学习基准测试中展示出吞吐量提高和内存消耗减少的优势，同时还通过数 - 动态平铺：一种无模型依赖的、自适应的、可扩展的、以推理数据为中心的高效和准确的小物体检测方法
Dynamic Tiling 是一种自适应和可扩展的模型无关的方法，可用于小物体检测，通过动态瓦片分割和最小化计算量来提高检测准确性，同时适用于各种操作环境，无需繁琐的重新校准，并通过大小过滤机制提高检测质量，实现了效率和准确性的新突破。
- DiffusionEngine：扩展性数据引擎用于目标检测的扩散模型
最近开发的扩散模型是一个可扩展的数据引擎用于物体检测，作者提出了一个数据扩展引擎 DiffusionEngine (DE) 用于在一个阶段中提供高质量的检测训练对。扩散引擎 DE 由一个预先训练好的扩散模型和一个有效的检测适配器构成，能够以 - DeSCo: 通用且可扩展的深度子图计数
设计了 DeSCo，一种可扩展的神经深度子图计数流水线，通过一次训练准确地预测任何目标图中查询计数和发生位置，在计数预测的均方误差方面，优于现有的神经方法，同时保持多项式运行时间复杂度。
- 可扩展的神经上下文 Bandit 算法用于推荐系统
提出一种面向推荐系统的可扩展的高效样本神经上下文强化学习算法，Epistemic Neural Recommendation (ENR)， 具有比基线算法更高的点击率和用户评分，并且具有比最佳基线算法少 29% 的用户交互，同时计算资源需求 - 可扩展的最优边缘分布机器
本文提出的可扩展 ODM 方法，在拥有非线性内核的情况下，引入了分布感知分区方法以使得局部训练集更容易逐渐逼近全局最优解，并在使用线性内核时，利用了通信高效的 SVRG 算法来进一步加速训练进程。大量实验证明，该提出的方法具有高度的计算效率 - CVPRVideoMAE V2: 基于双重蒙版的视频自编码器扩展
本文介绍了使用视频掩码自编码器（VideoMAE）进行可扩展和一般自监督预训练，用于构建视频基础模型和在各种下游任务中取得新的最先进表现的新方法。
- 具有通用效用的可扩展多智能体强化学习
我们研究了具有通用效用的可扩展多代理强化学习，通过利用网络结构的空间相关性衰减特性提出了一种具有阴影奖励和本地策略的可扩展分布式策略梯度算法，该算法不需要全观察每个代理的情况，可以最大化团队的平均局部效用函数。
- 组合人工智能的快速开发
介绍了 Bee 框架的开发，它可以使开发者更容易实现可集成、可扩展和交互式的组合 AI 应用程序的快速开发。
- PATO: 可扩展机器人数据收集的策略辅助远程操作
通过一项自动学习的协助策略系统 Policy Assisted TeleOperation (PATO)，将机器学习中的大规模数据应用于机器人的大规模数据收集，并通过真实机器人和模拟机器人舰队进行了遥控用户研究，从而实现了单个操作员平行控制 - KDD使用图神经网络估计子图频率分布
GNNS 是一种基于图神经网络的新型表示学习框架，可以高效地采样子图并估算其频率分布，达到与现有方法相当的准确性和显著的加速效果。
- 基于逻辑的奖励塑造多智能体强化学习
本研究探讨了基于逻辑的多智能体强化学习中的奖励设计问题，并提出了一种可扩展的半集中式逻辑奖励设计方法，以应对任务中多智能体数量增加的问题。