Stanford ve diğer önde gelen üniversitelerden araştırmacılar, seyrek Gaussian veri modellerinde tahmin yapma konusunda önemli bir ilerleme kaydetti. Horseshoe adı verilen sürekli karışım önsel dağılımını kullanan yeni yaklaşım, geleneksel kesikli karışım yöntemlerinden farklı olarak daha esnek bir çözüm sunuyor. Çalışma, seyreklik seviyesi bilinen durumlar için tahmin edici Bayes yönteminin asimptotik minimax optimalliğini matematiksel olarak kanıtlıyor. Araştırmacılar ayrıca 'Horseshoe spektroskopisi' adını verdikleri yeni bir teknikle, posterior tahmin yoğunluğunun Gaussian-karışım temsilini geliştirdi. Bu yaklaşım, seyreklik bilinmediğinde bile adaptif geçiş yapabilen hiyerarşik bir Bayesian çerçeve sunuyor ve makine öğrenmesinden signal processing'e kadar geniş uygulama alanları vaat ediyor.

Bilim insanları, CXL bellek havuzları gibi uzak bellek sistemlerinde kullanılan hızlandırıcılar için yenilikçi bir programlama modeli geliştirdi. Proxics adı verilen bu yaklaşım, işlemcileri belleğe yakın konumlandırarak CPU ile veri alışverişini minimize etmeyi hedefliyor. Near-Data Processing (NDP) teknolojisi olarak bilinen bu yöntem, bant genişliği gereksinimlerini önemli ölçüde azaltıyor. Araştırmacılar, Unix işletim sistemi benzeri soyut kavramları kullanarak bu sistemlerin programlanmasını kolaylaştırmayı amaçlıyor. Geleneksel yaklaşımların NDP hızlandırıcıları için uygun olmadığını tespit eden ekip, derleme zamanı optimizasyonlarından yararlanarak hafif ve verimli bir çözüm sunuyor.