数据爆炸和模型尺寸的增加推动了大规模机器学习的显着进步，但也使模型训练时间耗时和模型存储变得困难。为了解决具有较高计算效率和设备限制的分布式模型培训设置中的上述问题，仍然存在两个主要困难。一方面，交换信息的沟通成本，例如，不同工人之间的随机梯度是分布式培训效率的关键瓶颈。另一方面，较少的参数模型容易用于存储和通信，但是损坏模型性能的风险。为了同时平衡通信成本，模型容量和模型性能，我们提出了量化的复合镜下降自适应亚基（QCMD Adagrad），并量化正规化双平均平均自适应亚级别（QRDA ADAGRAD）进行分布式培训。具体来说，我们探讨了梯度量化和稀疏模型的组合，以降低分布式培训中每次迭代的通信成本。构建了基于量化梯度的自适应学习率矩阵，以在沟通成本，准确性和模型稀疏性之间达到平衡。此外，从理论上讲，我们发现大量化误差会引起额外的噪声，从而影响模型的收敛性和稀疏性。因此，在QCMD Adagrad和QRDA Adagrad中采用了具有相对较小误差的阈值量化策略，以提高信噪比并保留模型的稀疏性。理论分析和经验结果都证明了所提出的算法的功效和效率。

Recent advances in large-scale pre-training provide large models with the potential to learn knowledge from the raw text. It is thus natural to ask whether it is possible to leverage these large models as knowledge bases for downstream tasks. In this work, we answer the aforementioned question in unsupervised knowledge-grounded conversation. We explore various methods that best elicit knowledge from large models. Our human study indicates that, though hallucinations exist, large models post the unique advantage of being able to output common sense and summarize facts that cannot be directly retrieved from the search engine. To better exploit such generated knowledge in dialogue generation, we treat the generated knowledge as a noisy knowledge source and propose the posterior-based reweighing as well as the noisy training strategy. Empirical results on two benchmarks show advantages over the state-of-the-art methods.

在过去的几十年中，甲状腺癌的发生率在全球范围内一直在增加。准确和早期诊断可以及时治疗，并有助于避免过度诊断。在临床上，通常使用甲状腺超声从横向和纵向视图中评估结节。然而，甲状腺和病变的外观在各个个体之间可能会大不相同。从两种观点中识别关键诊断信息需要专业知识。此外，找到一种整合多视图信息的最佳方法也取决于临床医生的经验，并为准确的诊断增加了进一步的困难。为了解决这些问题，我们提出了一个个性化的诊断工具，可以为不同患者定制其决策过程。它由用于特征提取的多视图分类模块和一个个性化的加权分配网络，该网络可为不同视图生成最佳的加权。它还配备了自我监督的观看对比损失，以进一步改善对不同患者群体的稳健性。实验结果表明，所提出的框架可以更好地利用多视图信息并优于竞争方法。