D-MFVI: Distributed Mean Field Variational Inference using Bregman ADMM
Rutgers, The State University of New Jersey（罗格斯大学，新泽西州立大学）
贝叶斯模型为复杂数据集的概率建模提供了一个框架。然而，许多这样的模型在计算上要求很高，特别是在存在大型数据集的情况下。另一方面，在传感器网络应用中，统计（贝叶斯）参数估计通常需要分布式算法，其中数据和计算都分布在网络的节点上。在本文中，我们提出了一个分布式贝叶斯学习的一般框架，使用布雷格曼交替方向乘法（B-ADMM）。我们证明了我们的框架的效用，与平均场变分贝叶斯（MFVB）作为分布式矩阵分解（MF）和分布式仿射运动恢复结构（SfM）的原语。
2015-07-03 cs.LG stat.ML
DistrEE: Distributed Early Exit of Deep Neural Network Inference on Edge Devices
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（北京邮电大学计算机学院（国家示范性软件学院））；School of Electronic Engineering, Beijing University of Posts and Telecommunications（北京邮电大学电子工程学院）
提出DistrEE分布式DNN推理框架，集成早停与分布式推理，设计早停策略控制终止，实现延迟与准确性的有效权衡。
2025-02-06 cs.AI cs.DC cs.LG
Priority-Aware Model-Distributed Inference at Edge Networks
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对边缘网络中多数据源共存的模型分布式推理，提出优先级感知的模型分配算法PA-MDI，基于优化问题求解，在真实测试平台上验证了其降低推理时间并实现优先级分配。
2024-12-16 cs.DC cs.LG
Simultaneous Inference for Massive Data: Distributed Bootstrap
Purdue University（普渡大学）；University of Missouri（密苏里大学）
在本文中，我们提出了一个引导方法适用于大量的数据处理分布在大量的机器。这种新的方法是计算效率高，因为我们引导主机上没有过度的rescue，通常需要现有的方法\cite{kleiner2014scalable,sengupta2016subsampled}，同时证明实现最佳的统计效率与最小的通信。我们的方法不需要反复重新拟合模型，而只需要在主机器中对从工作机器接收到的梯度应用乘数引导。仿真验证了我们的理论。
2020-02-19 cs.LG stat.ML
Deal: Distributed End-to-End GNN Inference for All Nodes
Amazon（亚马逊）；Rutgers University（罗格斯大学）
本文提出Deal，一个专用于数十亿边图的所有节点端到端推理的分布式GNN推理系统，通过挖掘采样中的共享机会、引入内存节省和通信高效的分布式原语以及分区流水线通信，将端到端推理时间最多减少7.70倍，图构建时间最多减少21.05倍。
2025-03-04 cs.DC cs.LG
Communication-Efficient Separable Neural Network for Distributed Inference on Edge Devices
National Taiwan University（台湾大学）
神经网络的推理通常受到资源的限制（例如，计算能力、内存、带宽）。除了改进硬件设计和部署高效模型之外，还可以聚合许多设备的计算能力以启用机器学习模型。本文提出了一种利用模型并行性分离神经网络进行分布式推理的新方法。为了在通信延迟、计算延迟和性能之间取得更好的平衡，我们采用神经架构搜索（NAS）来搜索最佳传输策略，减少通信量。与基线相比，我们发现的最佳模型减少了86.6%的数据传输量，并且对性能影响不大。实验表明，在适当的设备规格和模型配置下，大型神经网络在边缘集群上的推理可以实现分布式和加速，为物联网智能应用的部署提供了一种新的解决方案。
2021-11-03 cs.DC cs.LG
Distributed Learning and Inference Systems: A Networking Perspective
本文从网络视角分析分布式AI训练与推理的复杂性，提出新框架DA-ITN，探讨其组件功能并指出相关挑战与研究方向。
2025-01-09 cs.LG cs.NI
Guardians of the Deep Fog: Failure-Resilient DNN Inference from Edge to Cloud
UT Dallas（德克萨斯大学达拉斯分校）；UC Berkeley（加州大学伯克利分校）
将深度神经网络（DNN）划分和分布在边缘、雾或云节点等物理节点上，可以增强传感器融合，并降低带宽和推理延迟。然而，当DNN分布在物理节点上时，物理节点的故障导致放置在这些节点上的DNN单元的故障。如果分布式DNN没有针对故障进行专门设计和适当训练，那么推理任务的性能将是不可预测的，并且很可能很差。受此启发，我们引入了deepFogGuard，这是一种DNN架构增强方案，用于使分布式DNN推理任务具有故障弹性。为了阐明deepFogGuard，我们介绍了分布式DNN推理的弹性的元素和模型。受DNN中剩余连接概念的启发，我们在分布式DNN中引入了跳过超连接，这是deepFogGuard提供弹性设计的基础。接下来，我们使用两个现有的传感和视觉应用数据集进行了广泛的实验，证实了deepFogGuard为边缘云网络中的分布式DNN提供弹性的能力。
2019-09-21 cs.LG cs.NI
EasyBalance: Cross-Layer Load Balancing in Distributed MoE Inference
EasyBalance是一种无需修改专家-设备映射的跨层负载均衡策略，通过联合执行跨层MoE工作负载缓解不平衡，可减少GPU空闲超40%，加速分布式MoE推理。
2026-08-11 cs.AI cs.LG
Variance Reduced Median-of-Means Estimator for Byzantine-Robust Distributed Inference
Shanghai Jiao Tong University（上海交通大学）；New York University（纽约大学）
本文提出了一种高效的分布式推理算法，该算法对拜占庭节点的中等比例是鲁棒的，即分布式学习系统中的任意和可能的对抗机器。在稳健统计中，均值中值（median-of-means，简写为MEN）由于其易于实现和计算效率而成为对冲拜占庭故障的流行方法。然而，该估计量在统计效率方面存在不足。本文的第一个主要贡献是提出了一个方差缩减均值估计（VRSTO），它提高了统计效率比香草估计，是计算效率的计算。基于所提出的VRNTR估计，我们开发了一个通用的分布式推理算法，对拜占庭故障是强大的。从理论上讲，我们的分布式算法实现了一个快速的收敛速度，只有一个恒定的通信轮数。我们还提供了渐近正态性的结果，统计推断的目的。据我们所知，这是拜占庭鲁棒分布学习设置中的第一个正态结果。仿真结果也说明了我们的方法的有效性。
2021-03-04 cs.LG stat.ME stat.ML
Distributed Variational Inference for Online Supervised Learning
Contextual Robotics Institute（情境机器人研究所）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文提出一种可扩展的分布式概率推断算法，通过推导可分下界DELBO实现传感器网络单跳通信，设计在线DGVI算法处理流数据，并应用于多机器人概率地图构建。
2023-10-22 cs.LG cs.RO eess.SP
HiDP: Hierarchical DNN Partitioning for Distributed Inference on Heterogeneous Edge Platforms
University of Turku（图尔库大学）；Politecnico di Milano（米兰理工大学）
针对边缘推理未考虑节点核心级异构性、资源利用率低导致延迟高的问题，提出分层DNN划分策略HiDP，通过全局与局部分层划分利用异构资源，在商用设备上评估显示延迟降38%、能耗降46%、吞吐量升56%。
2024-11-25 cs.AI cs.DC cs.LG
Privacy-Preserving Hierarchical Model-Distributed Inference
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Seagate Technology（希捷科技）
本文针对分层ML推理场景的数据与模型隐私保护需求，提出结合秘密共享、同态加密等技术的privateMDI方案，通过模型并行化和阶段优化降低通信开销，显著提升了隐私保护下的推理速度。
2024-09-15 cs.CR cs.LG
Communication-Efficient Distributed Statistical Inference
我们提出了一个通信有效的代理Likestive（CSL）框架解决分布式统计推断问题。CSL为全局似然提供了一种通信效率高的替代，可用于低维估计、高维正则化估计和贝叶斯推断。对于低维估计，CSL可证明地改进了朴素平均方案，并有利于置信区间的构建。对于高维正则化估计，CSL导致一个极小极大最优估计与控制通信成本。对于贝叶斯推断，CSL可以用于形成收敛于真实后验的通信有效的准后验分布。这种准后验过程显着提高了MCMC算法的计算效率，即使在非分布式设置。我们提出了理论分析和实验来探索CSL近似的属性。
2016-11-06 cs.IT cs.LG math.IT
Distributed Inference for Linear Support Vector Machine
Shanghai Jiao Tong University（上海交通大学）；New York University（纽约大学）
现代数据规模的不断增长给现有的统计推断方法和理论带来了许多新的挑战，并要求发展分布式推断方法。本文研究了线性支持向量机（SVM）用于二元分类任务的分布式推理。尽管有大量关于SVM的文献，但对SVM的推理特性知之甚少，特别是在分布式环境中。在本文中，我们提出了一个多轮分布式线性型（MDL）估计进行推理的线性SVM。所提出的估计是计算效率。特别是，它只需要一个初始的SVM估计，然后通过解决简单的加权最小二乘问题，逐步完善的估计。在理论上，我们建立了估计量的Bahadur表示。在此基础上，进一步导出了渐近正态性，表明MDL估计达到了最优统计效率，即，与经典线性SVM在单个机器设置中应用于整个数据集的效率相同。此外，我们的渐近结果避免了机器或数据批次的数量，这是通常假设在分布估计文献中的条件，并允许发散维的情况下。我们提供模拟研究，以证明所提出的MDL估计的性能。
2019-09-20 cs.LG stat.ME stat.ML
Communication-Efficient Multi-Modal Edge Inference via Uncertainty-Aware Distributed Learning
Dept. of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（电子与计算机工程系，香港科学与技术大学）
本文提出一种三阶段通信感知分布式学习框架，通过减少通信开销和提升稳健性，实现高效的多模态边缘推断。
2026-01-21 cs.LG eess.SP
Two-Stage Robust and Sparse Distributed Statistical Inference for Large-Scale Data
Aalto University（阿尔托大学）
在本文中，我们解决的问题进行统计推断的设置，涉及大规模的数据，可能是高维和污染的离群值。数据的高容量和维度需要分布式处理和存储解决方案。我们提出了一个两阶段的分布式和强大的统计推断程序处理高维模型，促进稀疏。在第一阶段，称为模型选择，通过对不同的数据子集应用鲁棒Lasso估计来局部选择相关的预测因子。从每个计算节点的变量选择，然后融合的投票计划，找到完整的数据集的稀疏基。它以稳健的方式确定相关变量。在第二阶段，采用已开发的统计稳健且计算高效的自助方法。实际推断构造置信区间，找到参数估计值并量化标准差。与阶段1类似，本地推理的结果被传送到融合中心并在那里组合。通过使用分析方法，我们建立了良好的统计特性的强大的和计算效率的自助方法，包括一致性的固定数量的预测，和鲁棒性。建议的两阶段的强大和分布式推理程序表现出可靠的性能和稳健性，在变量选择，发现置信区间和自举近似的标准差，即使数据是高维和离群值污染。
2022-08-17 cs.LG eess.SP stat.ML
Learning to Shard: RL for Co-optimizing the Parallelism Degrees and Per-operator Sharding Dimensions in Distributed LLM Inference
Yale University（耶鲁大学）；Microsoft Azure（微软Azure）
针对分布式LLM推理现有静态并行策略性能不足的问题，提出基于RL的Learn to Shard方法，通过注意力策略从精英历史策略中学习，协同优化并行度与逐算子切分维度，在H100集群上实现显著吞吐量提升。
2025-08-29 cs.DC cs.LG
Distributed MCMC inference for Bayesian Non-Parametric Latent Block Model
Paris-Saclay University, UVSQ（巴黎萨克雷大学，凡尔赛大学校区）；Sorbonne Paris Nord University（索邦巴黎北大学）；LIPN（巴黎北部科学实验室）
本研究提出采用主从架构的DisNPLBM分布式MCMC推断方法，通过潜在多元高斯块分布实现非参数联合聚类，经实验验证在聚类准确率和效率上表现良好，还可应用于基因表达数据联合聚类且代码开源。
2024-02-01 cs.LG stat.CO stat.ML
Model-Distributed Inference for Large Language Models at the Edge
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
MDI-LLM框架通过模型分区与循环流水线并行，在边缘低功耗设备上实现大语言模型的分布式推理，提升吞吐并降低内存需求。
2025-05-13 cs.AI cs.LG
Distributed Variational Inference in Sparse Gaussian Process Regression and Latent Variable Models
University of Cambridge（剑桥大学）
高斯过程（GP）是函数概率推理的有力工具。它们已被应用于回归和非线性降维，并提供理想的属性，如不确定性估计，过拟合的鲁棒性，以及调整超参数的原则性方法。然而，这些模型对大数据集的可扩展性仍然是一个活跃的研究课题。我们介绍了一种新的重新参数化的变分推断稀疏GP回归和潜变量模型，允许一个有效的分布式算法。这是通过利用给定诱导点的数据解耦来重新制定Map-Reduce设置中的证据下限来完成的。我们表明，推理规模以及数据和计算资源，同时保持平衡的节点之间的负载分布。我们进一步展示了将高斯过程扩展到大数据的实用性。我们表明，GP的性能随着回归（200万记录的飞行数据）和潜变量建模（MNIST）中数据量的增加而提高。结果表明，GP的表现优于许多常用于大数据的常见模型。
2014-09-29 cs.LG stat.ML
Distributed Semi-Supervised Sparse Statistical Inference
Shanghai University of Finance and Economics（上海财经大学）；Shanghai Jiao Tong University（上海交通大学）；Purdue University（普渡大学）
针对分布式场景下高维去偏估计量计算成本高的问题，提出融合有标记与无标记数据的多轮分布式去偏估计量，适配多种损失函数，仅需一次高维逆协方差估计，提升了统计速率与计算效率。
2023-12-15 cs.LG stat.ML
FSD-Inference: Fully Serverless Distributed Inference with Scalable Cloud Communication
University of Warwick（华威大学）
提出首个完全无服务器分布式ML推理系统FSD-Inference，利用云发布/订阅、队列和对象存储设计新通信方案，实现比有服务器方案更优的成本效益、可扩展性及与优化HPC方案相当的竞争性能。
2024-03-22 cs.AI cs.DC cs.LG
Fast Distributed Inference Serving for Large Language Models
Peking University（北京大学）
针对LLM推理服务中的队头阻塞和高延迟问题，提出分布式推理系统FastServe，采用基于输出token粒度的抢占式调度和跳过连接多级反馈队列调度器，并设计高效GPU内存管理机制，在相同延迟要求下相比vLLM显著提升吞吐量。
2024-09-25 cs.DC cs.LG
Streaming, Distributed Variational Inference for Bayesian Nonparametrics
LIDS（实验室信息与决策系统实验室）；CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室）
本文提出了一种方法来创建流，分布式推理算法的贝叶斯非参数（BNP）模型。在提出的框架中，处理节点接收一系列数据小批量，计算每个小批量的变分后验，并对中心模型进行异步流更新。与以前的算法相比，所提出的框架是真正的流，分布式，异步，学习率免费，和截断免费。开发框架的关键挑战是，BNP模型不会对其组件施加固有的排序，因此在执行每次更新之前，找到minibatch和中央BNP后验组件之间的对应关系。为了解决这个问题，本文提出了一个组合优化问题的组件对应，并提供了一个有效的解决方案。本文最后与DP混合模型的方法的应用，实验结果表明其实际的可扩展性和性能。
2015-10-30 cs.LG stat.ML
KVDirect: Distributed Disaggregated LLM Inference
Rutgers University（罗格斯大学）；ByteDance（字节跳动）
KVDirect通过优化KV缓存传输，实现分布式解耦式LLM推理，采用张量通信、自定义通信库和拉取式传输策略，将每请求延迟降低55%。
2024-12-13 cs.DC cs.LG cs.PF
User-Assisted Collaborative Distributed Inference for Efficient QoS-Aware Autoscaling
Stockholm University（斯德哥尔摩大学）
针对AI推理服务需求增长带来的集中式服务成本上升问题，提出结合专用与用户贡献资源的协作式分布式推理系统，通过高维生成马尔可夫模型优化调度，可在用户规模扩大时提升性能并降低专用资源消耗。
2026-08-13 cs.AI cs.DC cs.LG
Adversary-resilient Distributed and Decentralized Statistical Inference and Machine Learning: An Overview of Recent Advances Under the Byzantine Threat Model
虽然在过去的几十年里，我们已经见证了大量致力于分布式和去中心化设置中的推理和学习的工作，但这些工作中的大部分都假设了一个非对抗性的设置，在这个设置中，除了偶尔的统计故障之外，各个节点都按照算法框架的预期运行。然而，近年来，来自恶意非国家行为者和流氓实体的网络安全威胁迫使从业者和研究人员重新思考分布式和分散式算法对对抗性攻击的鲁棒性。因此，我们现在有大量的算法方法来保证分布式和/或分散式推理的鲁棒性，以及在不同的对抗性威胁模型下的学习。然而，部分由于世界对数据驱动决策的需求日益增长，保护分布式/分散式框架以进行推理和学习对抗性威胁仍然是一个快速发展的研究领域。在这篇文章中，我们提供了拜占庭攻击威胁模型下这一领域的一些最新发展的概述。
2020-06-02 cs.CR cs.DC cs.LG
OrderMoE: An expert similarity driven distributed edge MoE inference
Hong Kong University of Science and Technology（香港科技大学）；Universidad Politécnica de Madrid（马德里理工大学）；Guangdong University of Technology（广东工业大学）
研究在资源受限边缘基础设施部署MoE推理的挑战，提出OrderMoE框架，通过构建专家相似度模型、设计分组部署策略和选择算法，平衡推理延迟等指标，实验表明其能显著降低相关指标，仅带来小的推理质量下降。
2026-08-13 cs.DC cs.LG cs.NI
Early-Exit meets Model-Distributed Inference at Edge Networks
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出MDI-Exit框架，将早退机制引入模型分布式推理，通过自适应确定早退、卸载和数据准入策略，在边缘设备上实现固定精度下处理更多数据或固定数据速率下获得更高精度。
2024-08-08 cs.AI cs.DC cs.LG
Distributed Learning for Cooperative Inference
Arizona State University（亚利桑那州立大学）；Boston University（波士顿大学）；University of Illinois（伊利诺伊大学）
我们研究的合作推理问题，一组代理在网络上进行交互，并寻求估计一个联合参数，最好地解释了一组观察。代理不知道网络拓扑或其他代理的观察结果。我们探讨了贝叶斯后验密度的变分解释，以及它与随机镜像下降算法的关系，提出了一种新的分布式学习算法。我们表明，在适当的假设下，所提出的算法产生的信念集中在真正的参数指数快速。我们提供了明确的非渐近界的收敛速度。此外，我们开发明确的和计算效率的算法属于指数族的观测模型。
2017-04-10 cs.LG cs.MA math.OC
Inference of global clusters from locally distributed data
University of Michigan（密歇根大学）
我们考虑分析多组观测数据的聚类分布的异质性问题，每组数据由协变量值索引，并推断从协变量域上聚集的观测值产生的全局聚类。我们提出了一种新的贝叶斯非参数方法依赖于空间建模的形式主义和嵌套层次的Dirichlet过程。我们提供了一个分析的模型属性，相关和对比的概念，本地和全球集群。我们还提供了一个有效的推理算法，并证明了我们的方法在几个数据的例子，包括对象跟踪和功能数据的功能标识信息是不可用的全局聚类分析的问题的效用。
2011-01-21 cs.LG stat.ME stat.ML
Distributed Inference on Mobile Edge and Cloud: An Early Exit based Clustering Approach
IIT Bombay（印度理工学院孟买分校）
针对深度神经网络在资源受限设备部署难的问题，提出基于早退出策略的分布式推理方法DIMEE，兼顾卸载成本与准确率，在GLUE数据集上实现推理成本大降且准确率损失极小。
2024-10-06 cs.AI cs.DC cs.LG
Distributed Graph Neural Network Inference With Just-In-Time Compilation For Industry-Scale Graphs
Ant Group（蚂蚁集团）
本文针对工业级大规模图数据上GNN推理的内存与计算瓶颈，提出基于新编程接口和即时编译的分布式图学习范式，消除子图采样带来的信息丢失与冗余计算，在5亿节点、224亿边的图上实现最高27.4倍性能提升。
2025-03-08 cs.AI cs.DC cs.LG
AutoDiCE: Fully Automated Distributed CNN Inference at the Edge
University of Amsterdam（阿姆斯特丹大学）；Leiden University（莱顿大学）
基于卷积神经网络（CNN）的深度学习方法在包括图像分类和语音识别在内的广泛应用领域中得到了广泛的应用和成功。对于训练的CNN的执行，即模型推理，我们现在见证了从云到边缘的转变。不幸的是，在边缘设备上部署和推断大型计算和内存密集型CNN是一项挑战，因为这些设备通常具有有限的功率预算和计算/内存资源。解决这一挑战的一种方法是利用跨多个边缘设备的所有可用资源，通过适当地划分CNN并在单独的边缘设备上运行每个CNN分区来部署和执行大型CNN。尽管在多个边缘设备上的大型CNN的这种分布、部署和执行是期望的和有益的方法，但是目前不存在采用经训练的CNN模型以及CNN分区规范并且完全自动化在多个边缘设备上的CNN模型分割和部署以促进边缘处的分布式CNN推断的设计和编程框架。因此，在本文中，我们提出了一种新的框架，称为AutoDiCE，用于将CNN模型自动拆分为一组子模型，并自动生成代码生成，用于在多个可能异构的边缘设备上分布式和协同执行这些子模型，同时支持边缘设备之间和内部的并行性。我们的实验结果表明，AutoDiCE可以提供分布式CNN推理，降低每个边缘设备的能耗和内存使用，同时提高整体系统吞吐量。
2022-07-20 cs.AI cs.DC cs.LG
Cloud Is Closer Than It Appears: Revisiting the Tradeoffs of Distributed Real-Time Inference
University of California Los Angeles（加州大学洛杉矶分校）；University of California Riverside（加州大学河滨分校）
本文重新审视云推理在实时控制任务中的适用性，通过建立分析模型和仿真实验，证明云平台在高吞吐量资源下可有效缓解网络和排队延迟，从而在安全约束下优于本地推理。
2026-02-17 cs.AI cs.DC cs.LG
Performance Modeling and Workload Analysis of Distributed Large Language Model Training and Inference
Interuniversity Microelectronics Centre (IMEC)（校际微电子中心）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出一个分析框架，用于建模分布式LLM训练与推理的性能，并分析技术扩展下瓶颈演变，为未来系统设计提供指导。
2024-07-19 cs.AR cs.DC cs.LG
Privacy-Aware Multi-Device Cooperative Edge Inference with Distributed Resource Bidding
The Hong Kong Polytechnic University（香港理工大学）
本文提出一种隐私感知的多设备协作边缘推理系统，通过分布式竞价机制分配MEC计算资源，并基于DEC-POMDP建模与MADDPG算法联合优化竞价值和特征压缩比，在保护隐私的同时提升分类准确率。
2024-12-30 cs.LG cs.NI cs.SY
In-Network Learning: Distributed Training and Inference in Networks
Huawei France（华为法国）；Université Paris-Est（巴黎东大学）
本文针对无线网络中数据与算力高度分布式的问题，提出一种在训练和推理阶段均利用多数据流与多处理单元的网内学习算法与架构，分析了推理传播融合机制、设计准则及带宽需求，并通过实验验证其优于现有技术。
2023-04-12 cs.IT cs.LG math.IT
Kunlun Anomaly Troubleshooter: Enabling Kernel-Level Anomaly Detection and Causal Reasoning for Large Model Distributed Inference
Alibaba Group（阿里巴巴集团）
本文提出首个面向大模型分布式推理的异常排查框架KAT，利用GPU函数跟踪数据实现纳秒级核级异常检测，并结合领域适配LLM进行因果推理，在生产环境中取得高精确率与召回率，显著提升排查效率。
2025-11-08 cs.AI cs.DC cs.LG
DistMLIP: A Distributed Inference Platform for Machine Learning Interatomic Potentials
Carnegie Mellon University（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）；LBNL（劳伦斯伯克利国家实验室）
DistMLIP是一种基于图级并行化的分布式推断平台，可提升机器学习互原子势的模拟效率和规模。
2026-01-31 cond-mat.mtrl-sci cs.DC cs.LG
