近日，我院刁祖龙副教授以第一作者撰写的论文《Not All Data are What You Need: A Data-efficient Training Method Using Heterogeneous Hardware》被国际顶级期刊《IEEE Transactions on Knowledge and Data Engineering》（TKDE）录用，湖南科技大学为第一完成单位，中国科学院计算技术研究所、美国纽约州立大学为论文主要合作单位。

TKDE当前影响因子为10.4，是中国科学院SCI一区Top期刊。它是由中国计算机学会（CCF）与中国人工智能学会（CAAI）共同推荐的 A 类期刊，是IEEE旗下人工智能与数据科学领域的顶级国际期刊，主要聚焦于知识工程、数据工程、大数据智能分析与AI算法方法等方向的前沿研究，在全球学术界具有广泛影响力，尤其在人工智能与数据挖掘方向具有极高的学术声誉。

论文主要针对深度学习技术模型硬件资源消耗巨大、训练周期漫长等关键挑战，提出了一种基于异构硬件异步协作的数据高效训练框架——CORESTR。该框架首先在CPU端通过五个核心维度对训练样本状态进行系统量化，精准筛选出具有代表性的样本子集，有效保持了训练数据的多样性；随后在GPU端引入基于元学习的轻量化样本加权机制，动态调整不同样本的训练影响力，实现了对全量数据集训练效果的精准逼近。实验结果显示，该方法在多种主流深度学习模型上实现了平均4.8倍的训练加速，且在仅使用部分训练数据的情况下，最终测试准确率比现有最优方法提升了约10%。该成果为大规模深度学习模型的高效能、低成本训练提供了重要的理论依据和技术支撑。

近年来，刁祖龙副教授团队在人工智能、网络测量、物联网安全等前沿领域开展深入研究，取得了一系列重要的研究成果，在IEEE TMC、IEEE TITS、IEEE TON、AAAI等国内外权威期刊/会议发表论文40余篇。

（一审：何大成  二审：刁祖龙  三审：阳 锋）