MINUN: 微控制器上的精确机器学习推理——论文阅读
MINUN是一个专为微控制器设计的高效机器学习推理框架，能精确解决TinyML中的三大挑战：数字表示参数化、位宽分配优化和内存碎片管理。它支持如Arduino和STM32等低功耗设备，显著减少内存占用，同时保持模型精度。
μNAS：面向微控制器的约束神经架构搜索——论文解读
μNAS是一种专为微控制器设计的神经架构搜索方法，旨在解决物联网设备中资源受限的挑战。通过多目标优化框架，μNAS能够在有限的内存和计算能力下，自动搜索出高效的神经网络结构。该方法结合了老化进化算法与贝叶斯优化，并引入结构化剪枝技术，实现模型压缩。实验表明，μNAS在多个数据集上均取得了优异的精度与资源使用平衡，显著优于现有方法，为边缘计算设备的智能化提供了可行路径。
256KB内存约束下的设备端训练：算法与系统协同设计——论文解读
MIT与MIT-IBM Watson AI Lab团队提出一种创新方法，在仅256KB SRAM和1MB Flash的微控制器上实现深度神经网络训练。该研究通过量化感知缩放（QAS）、稀疏层/张量更新及算子重排序等技术，将内存占用降至141KB，较传统框架减少2300倍，首次突破设备端训练的内存瓶颈，推动边缘智能发展。
基于python的汽车数据可视化、推荐及预测系统
本研究围绕汽车数据可视化、推荐及预测系统展开，结合大数据与人工智能技术，旨在提升用户体验与市场竞争力。内容涵盖研究背景、意义、相关技术如 Python、ECharts、协同过滤及随机森林回归等，探讨如何挖掘汽车数据价值，实现个性化推荐与智能预测，为汽车行业智能化发展提供支持。