Abstract     寻找使网络影响力最大化的种子集是一个众所周知的 NP 难题。尽管贪心算法可以提供接近最优的解决方案，但影响估计的子问题导致解决方案效率低下。在这项工作中，我们提出了 GLIE，这是一种图神经网络，它学习如何估计独立级联的影响扩散。 GLIE 依赖于通过监督训练收紧的理论上限。实验表明，它可以为比训练集大 10 倍的真实图提供准确的影响估计。随后，我们将其纳入两种影

Freeway: Maximizing MLP for Slice-Out-of-Order Execution 摘要： 问题： 为了能够掩盖内存和LLC的长访问延迟，充分的利用MLP将非常重要。尽管当前OOO处理器中能够有效的利用MLP，但是硬件复杂，能效低，能耗大之前的工作：sOOO(slice-out-of-out)是一种相对于OOO核能效更高的，能够利用MLP的微架构。这种结构将存储指