为保证深度学习模型的预测精度,通常不能对其进行十分彻底的压缩,这导致压缩后的模型可能仍然不能顺利部署在嵌入式设备上。X-ADMM方法融合了模型剪枝和分割的优势,首先采用结构剪枝的方式并基...
平台相关的资源预测对边端协同深度计算中的模分区与资源分配十分重要,而实际测量将耗能耗时,不利于高效、快速的边端协同计算过程。
基于知识迁移的群智能体协作高效学习方法(UPDeT)
基于迁移学习的少样本表面缺陷检测方法(TL-SDD)
基于元迁移学习的社交媒体假消息检测算法(MDN)
事件元知识迁移的社交网络假消息检测算法(MetaDetector)
基于用户和群体的多行为交互的问题推荐方法(AskMe)
基于元学习方法的多城市知识融合商业选址推荐方法(MetaStore)
基于多维图神经网络的跨场景推荐算法(MGNN)
群智协同增强机理算法
需要驱动的模型选择框架(AdaDeep)
情境自适应和运行时自演化的移动端深度模型压缩(AdaSpring)
多环境联邦持续学习算法(MEFCL)
FedAux混合联邦学习(Hybrid-FL)算法
基于多智能体强化学习的多车协作配送算法
多智能体自适应算法
基于信息势场奖励函数的多智能体双向协调网络(BiCNet-IPF)
基于图的深度模型自适应手术刀算法