Improving Learnt Local MAPF Policies with Heuristic Search
Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本文提出利用启发式搜索对机器学习局部MAPF策略的输出概率分布进行后处理，以解决死锁并实现全时域规划，显著提升了策略的成功率和可扩展性，首次使基于学习的MAPF方法扩展到20%智能体密度的高拥塞场景。
2024-03-29 cs.AI cs.MA cs.RO
Improving Model and Search for Computer Go
LAMSADE Université Paris-Dauphine, PSL, CNRS（巴黎第九大学LAMSADE实验室，PSL研究大学，国家科学研究中心）
游戏中深度强化学习的标准是使用残差网络，并增加网络的深度以获得更好的结果。我们建议改进移动网络作为替代残留的网络和实验显示的播放强度的网络，根据其宽度和深度。我们还提出了一个推广的PUCT搜索算法，改进了PUCT。
2021-04-09 cs.AI
Improving Local Search for Fuzzy Scheduling Problems
University of Nottingham（诺丁汉大学）；Sherwood Press Ltd（舍伍德出版社）
模糊集理论和模糊逻辑集成到调度中是一个相当新的方面，对制造业的应用越来越重要，导致各种未解决的方面。在本文中，我们研究了一种改进的局部搜索技术的模糊调度问题的适应高原，使用多标准制定的问题。我们特别解决的问题，随着时间的推移，在舍伍德出版社有限公司，诺丁汉的印刷公司，谁是该项目的合作者研究工作的优先事项。
2008-09-03 cs.AI
Learned Belief Search: Efficiently Improving Policies in Partially Observable Settings
Facebook AI Research（脸书人工智能研究院）
搜索是在单智能体和多智能体环境中计算有效策略的重要工具，并且对于在几个基准完全和部分可观察游戏中实现超人性能至关重要。然而，部分可观察环境的先验搜索方法的一个主要限制是，计算成本与隐藏信息的量的比例很差。在本文中，我们提出了\emph{Learned Belief Search}（LBS），一个计算效率高的搜索过程的部分可观察的环境。LBS不是保持精确的信念分布，而是使用近似的自回归反事实信念，作为监督任务学习。在多代理环境中，LBS使用一种新的公共-私有模型架构来处理底层策略，以便在部署期间有效地评估这些策略。在Hanabi的基准域中，LBS可以获得精确搜索的55% ~ 91%的好处，同时将计算需求减少$35.8 \times$ ~ $4.6 \times$，使其能够扩展到以前搜索方法无法访问的更大设置。
2021-06-16 cs.AI
Smart Expansion Techniques for ASP-based Interactive Configuration
University of Potsdam, Germany（波恩大学）
本文提出基于ASP的智能扩展技术，改进多轮求解性能，通过四种智能扩展功能提升大规模工业配置问题的求解效率，并提供直观的用户界面。
2025-07-28 cs.AI cs.SE
Improving the Scalability of Optimal Bayesian Network Learning with External-Memory Frontier Breadth-First Branch and Bound Search
Mississippi State University（密西西比州立大学）
以前的工作表明，学习贝叶斯网络的最佳结构的问题可以用公式表示为图中的最短路径查找问题，并使用A* 搜索来解决。在本文中，我们提高了这种方法的可扩展性，通过开发一个内存有效的启发式搜索算法学习的贝叶斯网络的结构。而不是使用A*，我们提出了一个边界宽度优先的分支和边界搜索，利用这个问题的搜索图的分层结构，使不超过两层的图形，加上解决方案的重建信息，需要存储在内存中的时间。为了进一步提高可扩展性，该算法将大部分图存储在外部存储器中，例如硬盘，当它不适合RAM时。实验结果表明，所得到的算法解决了显着更大的问题比目前的最先进的。
2012-02-14 cs.AI
Improving Math Reasoning through Value-guided Informative Search
Amazon（亚马逊）；Texas A&M University（德克萨斯A&M大学）
提出APIVIS框架，将有限预算Gumbel搜索适配至分块级数学推理，通过价值引导选择与选择性监督改进RLVR训练，在多个基准上显著优于现有搜索方法。
2026-10-02 cs.AI
Improving Search with Supervised Learning in Trick-Based Card Games
University of Alberta（阿尔伯塔大学）
在纸牌游戏中，状态采样和评估的两步过程被广泛用于近似移动值。虽然评估组件至关重要，但移动值估计的准确性也从根本上与抽样分布与真实分布的对应程度有关。尽管如此，最近在纸牌游戏AI方面的工作主要集中在改进评估算法上，而在改进采样方面的工作有限。在本文中，我们专注于采样对球员的实力的影响，并提出了一种新的方法，采样更现实的状态移动历史。特别是，我们使用深度神经网络对单个卡片的位置进行预测-这种技术与完美信息蒙特卡罗（PIMC）搜索结合使用，在流行的Skat纸牌游戏中提供了纸牌游戏强度的大幅增加。
2019-03-22 cs.AI
Justifying and Improving Meta-Agent Conflict-Based Search
基于元Agent的搜索算法MA-CBS是近年来提出的一种多Agent路径搜索算法。该算法是基于Agent的搜索算法CBS的一个扩展，当Agent之间的冲突超过一定阈值时，CBS算法自动将冲突Agent合并为元Agent。然而，合并代理的决定是根据经验选择的冲突数量的固定阈值做出的。最佳阈值取决于域和代理的数量，并且依赖性的性质还不清楚。我们根据对模型问题的分析，提出了使用冲突数量固定阈值的理由。根据建议的理由，我们引入新的决策政策的MA-CBS算法，大大提高了算法的性能。改进的算法的变体进行评估的几组问题，选择强调不同方面的算法。
2014-10-23 cs.AI
Improving Search through A3C Reinforcement Learning based Conversational Agent
Adobe Systems Inc（奥多比系统公司）；IIT Delhi（印度理工学院德里分校）
我们开发了一个基于强化学习的搜索助手，它可以通过一组动作和一系列交互来帮助用户实现他们的意图。我们的方法迎合主观搜索，用户正在寻找数字资产，如图像，这是从根本上不同的任务，具有客观和有限的搜索方式。标记的会话数据通常在这样的搜索任务中不可用，并且通过人类交互来训练代理可能是耗时的。我们提出了一个随机虚拟用户模拟一个真实的用户，可以用来有效地采样用户的行为，训练代理，加快了自举代理。我们开发了基于A3C算法的上下文保持体系结构，使代理提供上下文的帮助给用户。我们将A3C代理与Q学习进行比较，并评估其在验证事件中与虚拟用户获得的平均奖励和状态值上的性能。我们的实验表明，智能体学习获得更高的奖励和更好的状态。
2018-08-19 cs.AI
LinTree: Improving LLM Reasoning with Explicitly Structured Search Histories
National University of Singapore（新加坡国立大学）；University of Oxford（牛津大学）
针对LLM推理中隐式搜索树导致性能不佳的问题，提出LinTree方法，通过添加父指针显式表示线性化树结构，在Blocks World、网格导航和Sokoban任务中提升了任务性能和搜索效率。
2026-05-29 cs.AI
CAFE: Self-Improving Search Agents Need Co-Evolving Feedback
Fudan University（复旦大学）；Tencent（腾讯）
该研究提出 CAFE 框架，通过共享参数模型耦合搜索智能体与评判者的协同演化反馈，在七个及六个域外搜索基准上均优于现有 RL 智能体，减少答案幻觉且性能持续提升。
2026-09-16 cs.AI
Improving Heuristics Through Relaxed Search - An Analysis of TP4 and HSP*a in the 2004 Planning Competition
hm容许启发式回归规划（顺序和时间）由回归搜索空间中的最优成本函数的参数化松弛来定义，其中参数m提供了启发式的准确性和计算成本之间的权衡。计算hm启发式的现有方法需要m的时间指数，将它们限制为小值（m和lt = 2）。hm启发式也可以被看作是最佳的成本函数在一个松弛的搜索空间：本文提出了松弛搜索，计算这个函数的方法部分通过搜索在松弛空间。放松的搜索方法，因为它只部分计算hm，所以计算成本更低，因此可用于较高的m值。（完全）HM启发式与部分HM启发式相结合，对于m = 3，.，通过松弛搜索计算，从而产生更准确的启发式。通过比较两个最优时间规划器来评估这种使用放松搜索方法来改进hm启发式：TP 4，其不使用它，和HSP*a，其使用它，但在其他方面与TP 4相同。的比较是在2004年国际规划竞赛，在这两个规划师参加使用的域。放松搜索被发现是符合成本效益的，在这些领域中的一些，但不是所有。分析揭示了一个特征的域，在放松搜索可以预期是成本效益，在两个措施的原始和放松搜索空间。在松弛搜索是成本有效的领域中，扩展小状态比扩展大状态在计算上更便宜，并且小状态倾向于具有小的后继状态。
2011-09-27 cs.AI
Evaluating and Improving Modern Variable and Revision Ordering Strategies in CSPs
University of the Aegean（爱琴海大学）
在约束求解过程中，可以显著减少搜索空间的一个关键因素是选择接下来要实例化的变量的标准。为此目的，已经提出了许多化学品。其中一些最好的算法利用了在整个搜索过程中收集的失败信息，并以约束权重的形式记录下来，而另一些算法则测量了变量分配在减少搜索空间方面的重要性。在这项工作中，我们实验评估最新的和强大的变量排序算法，以及它们的新变种，在广泛的基准。结果表明，基于故障的物流通常更有效。在此基础上，我们然后得到新的修订排序算法，利用记录的故障，有效地顺序传播列表时，保持弧一致性在搜索过程中。有趣的是，除了减少约束检查和列表操作的数量外，这些算法还能够减少搜索树的大小。
2010-08-07 cs.AI
Improving Search by Utilizing State Information in OPTIC Planners Compilation to LP
University of Haifa（海法大学）；King’s College London（伦敦国王学院）
自动规划器是一种计算机工具，它允许自主智能体通过确定智能体要采取的一组动作来制定策略和决策，这将使系统从给定的初始状态到达期望的目标状态。许多规划器是独立于域的，允许它们在各种域中部署。这就是光学规划师的大家庭。这些规划器执行前向搜索，并在每个状态下多次调用线性规划（LP）求解器，以检查一致性并设置数值变量的界限。这些检查可能在计算上是昂贵的，特别是在现实生活中的应用程序。本文提出了一种方法，用于识别信息的具体状态进行评估，允许制定的方程，以促进更好的求解器的选择和更快的LP解决。该方法的实用性证明在六个领域，并显着提高性能。
2021-06-15 cs.AI
Improving Accuracy of Permutation DAG Search using Best Order Score Search
Carnegie Mellon University（卡内基梅隆大学）
稀疏排列（SP）算法是准确的，但在实践中仅限于约9个变量;贪婪稀疏排列（GSP）算法更快，但理论上不那么弱。可以给出一个折衷方案，即最佳顺序分数搜索，它可以提供与SP一样准确的结果，但适用于更大和更密集的图。BOSS（最佳顺序分数搜索）更准确，原因有二：（a）它假设了“brute faithfuness”假设，这比faithfulness弱，（b）它使用了与GSP使用的深度优先遍历不同的排列遍历，通过依次获取每个变量并将其移动到优化模型分数的排列中的位置来获得。结果比较BOSS的几个相关文件在文献中的性能，线性，高斯数据。在所有情况下，通过适当的参数设置，BOSS的准确性相对于竞争方法大大提高。在测试的配置中，具有60个变量的模型在合理的时间内对于平均度约为12的大样本是可行的，具有近乎完美的准确性，并且平均度为4的稀疏模型在笔记本电脑上对于约300个变量是可行的，同样具有近乎完美的准确性。还测试了混合连续离散和全离散数据集。混合数据分析显示，在较高深度，相同分数的情况下，BOSS优于GES的优势更加明显;离散数据分析显示，在相同分数的情况下，BOSS优于GES的优势非常小，可能不足以让人更喜欢它。
2021-09-01 cs.AI
QREF: Improving DeepSearch Agents by Aligning Search with Reasoning via Query Refinement and Evidence Filtering
Fudan University（复旦大学）；Tencent（腾讯）
提出即插即用的QREF框架，通过查询优化器对齐搜索与推理意图、证据过滤器减少检索噪声，在不修改DeepSearch智能体架构的情况下，在四个基准上显著提升了其信息检索任务性能。
2026-10-16 cs.AI
Theory and Algorithms for Partial Order Based Reduction in Planning
Washington University in St. Louis（圣路易斯华盛顿大学）；University of Science and Technology of China（中国科学技术大学）
搜索是规划的主要技术。它相当于探索通常建模为有向图的规划域的状态空间。然而，过大的搜索空间使得搜索昂贵。开发更好的启发式函数是提高搜索效率的主要技术。然而，最近的研究表明，仅仅提高搜索效率有一定的基本限制。最近，一个新的研究方向，称为偏序基约简（POR）已被提出作为一种替代，以改善算法。POR在加速搜索方面显示出了希望。POR在模型检验研究中得到了广泛的研究，并且是模型检验系统可扩展性的关键使能技术。虽然POR理论在模型检验中得到了广泛的研究，但以前从未系统地开发过用于规划。另外，模型检验理论中的POR条件比较抽象，不能直接应用于规划中。以前的工作POR算法规划没有建立这些算法和现有的理论之间的联系，在模型检验。在本文中，我们开发了一个理论规划POR。我们开发的新理论将模型检验中的顽固集理论和规划中的POR方法结合起来。我们表明，以前的POR算法在规划可以解释的新理论。基于新的理论，我们提出了一种新的，更强的POR算法。不同规划域上的实验结果表明，使用新算法的搜索成本进一步降低。
2011-06-27 cs.AI
Improving Auto-Design of Neural PDE Solvers with a Domain-Specific Language
该研究提出ADSL-PDE领域特定语言，通过结构化搜索空间提升神经PDE求解器自动设计的搜索效率与优化稳定性，前十次迭代性能提升超52%。
2026-08-25 cs.AI
Improving the Performance of Stochastic Local Search for Maximum Vertex Weight Clique Problem Using Programming by Optimization
State Key Laboratory of Computer Architecture, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所计算机体系结构国家重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Microsoft Research, China（微软研究院中国）；Leiden Institute of Advanced Computer Science, Leiden University（莱顿大学莱顿高等计算机科学研究所）
最大顶点权团问题（MVWCP）是最大团问题（MCP）的一个重要推广，有着广泛的实际应用。在不需要关于解的最优性的严格保证的情况下，MVWCP通常使用随机局部搜索（SLS）算法来求解，这也定义了解决该问题的最新技术。然而，没有一种SLS算法可以在所有类别的MVWCP实例中提供最佳性能，并且有效地识别最适合每类MVWCP实例的算法是具有挑战性的。在这项工作中，我们遵循的范式编程优化（PbO）开发一个新的，灵活的和高度参数化的SLS框架解决MVWCP，结合，第一次，广泛的有效的启发式机制。通过自动配置这个PbO-MWC框架，我们在解决MVWCP方面取得了巨大的进步，包括两个来自移植医学（肾脏交换）和研究卓越评估的实际应用。
2020-02-27 cs.AI
Adaptive Parallel Monte Carlo Tree Search for Efficient Test-time Compute Scaling
School of Computing, Korea Advanced Institute of Science and Technology（韩国科学技术院计算学院）
本文提出负早退和自适应提升机制，通过优化MCTS执行效率，降低端到端延迟并提升吞吐量，同时保持推理准确性。
2026-04-01 cs.AI
Improving Gradient Estimation by Incorporating Sensor Data
U.C. Berkeley（加州大学伯克利分校）
一个有效的策略搜索算法应该从尽可能少的试验中估计目标函数相对于策略参数的局部梯度。虽然大多数策略搜索方法通过观察策略试验期间获得的奖励来估计此梯度，但我们从理论和经验上证明，考虑到传感器数据，也可以提供更好的梯度估计，从而更快地学习。原因是，由于环境中的噪声，在策略执行期间获得的奖励因试验而异;与噪声相关的传感器数据可用于部分校正这种变化，从而产生具有较低方差的估计器。
2012-06-13 cs.AI
Some Practice for Improving the Search Results of E-commerce
Purdue University（普渡大学）；Tsinghua University（清华大学）
在Amazon KDD Cup 2022中，我们的目标是应用自然语言处理方法来提高搜索结果的质量，从而显著增强用户体验和与电子商业搜索引擎的互动。我们讨论我们的实际解决方案，在任务一中排名第六，在任务二中排名第二，在任务三中排名第二。该代码可在https://github.com/wufanyou/KDD-Cup-2022-Amazon上获得。
2022-07-30 cs.AI cs.IR
UNSAT Solver Synthesis via Monte Carlo Forest Search
University of British Columbia（不列颠哥伦比亚大学）；Valence Labs（Valence实验室）；Carnegie Mellon University（卡内基梅隆大学）
本研究提出蒙特卡洛森林搜索（MCFS）类强化学习算法，将其具体化为Knuth Synthesis算法学习SAT问题的DPLL分支策略，通过路径采样估树规模、限定深度调用强求解器降本，在三个SAT分布上性能追平或超越强基线，处理问题难度较此前RL研究高两个数量级。
2024-07-13 cs.AI cs.LG
Improving Deep Policy Gradients with Value Function Search
Khoury College of Computer Sciences（库里计算机学院）；Northeastern University（东北大学）
深度策略梯度（PG）算法采用价值网络来驱动参数化策略的学习并减少梯度估计的方差。然而，价值函数近似会陷入局部最优，难以拟合实际收益，从而限制了方差降低的功效，并导致策略的次优性能。本文重点介绍了改进值近似和分析对Deep PG基元的影响，例如值预测，方差减少以及梯度估计与真实梯度的相关性。为此，我们引入了一个价值函数搜索，采用人口的扰动值网络搜索一个更好的近似。我们的框架不需要额外的环境交互，梯度计算，或合奏，提供了一个计算成本低廉的方法来增强监督学习任务上的价值网络训练。至关重要的是，我们表明，改善深度PG原语的结果提高了样本效率和政策，使用共同的连续控制基准域的回报更高。
2023-02-20 cs.AI cs.LG
Improving image watermarking based on Tabu search by Chaos
随着通信技术和多媒体技术的飞速发展，多媒体产品的所有者的权利容易受到未经授权的拷贝的侵害，而水印技术是证明产品所有权的最常用的方法之一。本文利用混沌理论对以往的基于禁忌搜索的水印算法进行了改进。对水印的置乱步骤和禁忌搜索算法的初始种群生成进行了改进。我们分析了我们的方法对一些著名的图像和实验结果表明，所提出的水印方法的质量和速度的改善。
2015-09-16 cs.AI cs.MM
EliteTable: Self-Improving Program Search for Executable Control Policies
Casa Dilauro Independent Research（Casa Dilauro独立研究机构）
EliteTable是LLM引导的自改进程序搜索算法，在多数Gymnasium控制任务中可提升性能，部分任务增益可转移，仍需对比消融实验明确其相对表现。
2026-10-12 cs.AI cs.NE
Improving the Search by Encoding Multiple Solutions in a Chromosome
Babeş Bolyai University（巴贝什-波雅依大学）
我们研究了在单个染色体中编码问题的多个解决方案的可能性。编码在个体中的最佳解决方案将代表该个体（将提供该个体的适应性）。为了获得一些益处，染色体解码过程必须具有与染色体中的单个解的情况相同的复杂度。为此，分析了三种遗传编程技术：多表达式编程、线性遗传编程和中缀形式遗传编程。数值实验表明，在一个染色体中编码多个解决方案，大大提高了搜索过程。
2021-10-13 cs.AI cs.NE
Improving Line Search Methods for Large Scale Neural Network Training
University Bielefeld（比勒费尔德大学）；Technical Faculty（工学院）
本文改进了Armijo线搜索方法，通过整合ADAM动量项实现大规模神经网络的高效训练，在NLP和图像数据领域优于现有方法，并提供无超参数的PyTorch优化器。
2024-03-27 cs.AI cs.LG
Deep Learning-Based Approach for Improving Relational Aggregated Search
Alexandria University（亚历山大大学）；Alamein International University（阿拉曼国际大学）；University of Cincinnati（辛辛那提大学）
针对传统搜索引擎的局限与阿拉伯语文本聚合搜索聚类需求，本研究结合堆叠自编码器与AraBERT嵌入，通过K-means聚类挖掘特征关联，有效提升了搜索结果的聚类效果、准确性与相关性。
2025-10-01 cs.AI cs.IR
Improving Chinese Named Entity Recognition by Search Engine Augmentation
Shanghai Jiao Tong University（上海交通大学）；The University of Melbourne（墨尔本大学）
与英语相比，汉语存在着较多的语法歧义，如词边界模糊、词的多义等。在这种情况下，上下文信息是不足以支持中文命名实体识别（NER），特别是对罕见的和新兴的命名实体。使用外部知识的语义增强是缓解这一问题的潜在方法，而如何获得和利用外部知识的NER任务仍然是一个挑战。在本文中，我们提出了一种基于神经网络的方法来执行语义增强使用外部知识的搜索引擎为中文NER。特别地，采用多通道语义融合模型来生成增强的输入表示，其聚合从搜索引擎检索的外部相关文本。实验表明，我们的模型在4个NER数据集上的优越性，包括正式和社交媒体语言环境，这进一步证明了我们的方法的有效性。
2022-10-23 cs.AI cs.CL
Improving search relevance of Azure Cognitive Search by Bayesian optimization
Microsoft（微软）
针对Azure Cognitive Search用户特定用例下搜索相关性提升难的问题，提出将搜索相关性问题建模为超参数调优、用贝叶斯优化找最优配置的方法，在真实场景中显著提升了CTA率等指标。
2023-12-13 cs.AI cs.IR cs.LG
Improving LLM-based Global Optimization with Search Space Partitioning
University of Freiburg（弗赖堡大学）；ELLIS Institute Tübingen（图宾根ELLIS研究所）；Prior Labs（Prior实验室）
HOLLM通过搜索空间划分提升LLM在高维优化中的性能，有效平衡探索与利用，优于现有全局优化方法。
2026-01-27 cs.AI cs.LG
Improving GFlowNets with Monte Carlo Tree Search
HSE University（高等经济大学）；Skoltech（斯科尔科沃科技学院）；CMAP – CNRS – École polytechnique – Institut Polytechnique de Paris（CMAP – 法国国家科学研究中心 – 巴黎综合理工学院 – 巴黎理工学院）；Université Paris-Saclay（巴黎萨克雷大学）；Steklov Mathematical Institute of Russian Academy of Sciences（俄罗斯科学院斯捷克洛夫数学研究所）；Constructor University（康斯特鲁克大学）
该研究基于GFlowNets与熵正则化强化学习的关联，提出适配MENTS算法的蒙特卡洛树搜索方法以增强其规划能力，在训练和推理阶段应用后提升了训练样本效率与预训练模型生成保真度。
2024-06-19 cs.AI cs.LG
Search-Based Adversarial Estimates for Improving Sample Efficiency in Off-Policy Reinforcement Learning
针对深度强化学习样本效率低、稀疏/延迟奖励场景下学习困难的问题，提出基于少量人类轨迹潜在相似性搜索的对抗估计方法，仅需5分钟人类经验即可加速基于反馈的DRL算法收敛，并有望支持极稀疏奖励场景下的学习。
2025-06-13 cs.AI cs.LG
Using Neural Architecture Search for Improving Software Flaw Detection in Multimodal Deep Learning Models
Sandia National Laboratories（桑迪亚国家实验室）
使用多模态深度学习模型的软件缺陷检测已被证明是基准问题上非常有竞争力的方法。在这项工作中，我们证明了使用神经架构搜索（NAS）与多模态学习模型相结合可以实现更好的性能。我们适应的NAS框架，旨在调查图像分类的问题，软件缺陷检测和证明朱丽叶测试套件，一个流行的基准测试数据集，用于测量性能的机器学习模型在这个问题域的改进结果。
2020-09-22 cs.AI cs.CR cs.LG
Improving Policies via Search in Cooperative Partially Observable Games
Facebook AI Research（脸书人工智能研究院）
最近游戏中的超人结果主要是在各种零和游戏中实现的，例如围棋和扑克，其中代理人需要与其他人竞争。然而，就像人类一样，现实世界的人工智能系统也必须在合作的部分可观察环境中与其他智能体进行协调和通信。这些设置通常要求参与者既要解释他人的行为，又要在被解释时提供信息。这些能力通常被概括为心理理论，并被视为社会交往的关键。在本文中，我们提出了两种不同的搜索技术，可以应用于改善任意商定的政策，在合作的部分可观察的游戏。第一个，单代理搜索，有效地将问题转化为一个单一的代理设置，使所有，但一个代理根据商定的政策发挥。相比之下，在多智能体搜索中，所有智能体执行相同的公共知识搜索过程，只要这样做在计算上是可行的，否则就回到根据商定的策略进行游戏。我们证明，这些搜索过程在理论上可以保证至少保持商定策略的原始性能（直到有界近似误差）。在Hanabi的基准挑战问题中，我们的搜索技术大大提高了我们测试的每个代理的性能，当应用于使用RL训练的策略时，在游戏中获得了24.61 / 25的最新得分，而之前的最佳得分为24.08 / 25。
2019-12-05 cs.AI cs.MA
Query Attribute Modeling: Improving search relevance with Semantic Search and Meta Data Filtering
提出查询属性建模（QAM）混合框架，通过将文本查询分解为元数据标签和语义元素提升搜索精度，在亚马逊玩具数据集上mAP@5达52.99%，优于传统搜索方法。
2025-08-06 cs.AI cs.CL cs.IR
Improving Pre-Trained Vision-Language-Action Policies with Model-Based Search
Mila — Quebec AI Institute（魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；The University of British Columbia（不列颠哥伦比亚大学）
针对预训练VLA模型零样本部署于分布外场景易失效的问题，本文提出VLAPS框架，将基于模型的MCTS嵌入VLA推理流程，在语言指定机器人任务上成功率最高提升67个百分点。
2025-11-12 cs.AI cs.RO
Critic-R: Improving Agentic Search using Instruction-tuned Retrievers with Natural Language Introspective Feedback
Center for Intelligent Information Retrieval（智能信息检索中心）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
提出Critic-R框架，通过引入评论模型评估智能体内省推理轨迹，实现检索模型与推理代理之间的反馈闭环，无需人工标注即可优化检索质量与下游答案准确性。
2026-05-30 cs.AI cs.IR
Improving multivariate Horner schemes with Monte Carlo tree search
Nikhef（荷兰国家亚原子物理研究所）；Tilburg University（蒂尔堡大学）
优化多项式求值的代价是计算机科学中的经典问题。对于一个变量的多项式，霍纳的方法提供了一个产生计算效率高的形式的方案。对于多元多项式，可以推广霍纳的方法，但这在变量的顺序上留下了自由。传统上，使用贪婪方案，如最常见的变量优先。这个简单的教科书算法给出了非常有效的结果。事实证明，找到更好的算法是困难的。在试图改进贪婪方案时，我们已经实现了蒙特卡罗树搜索，这是人工智能领域的一种最近的搜索方法。这会产生更好的霍纳方案，并降低计算多项式的成本，有时高达两倍。
2012-07-30 cs.AI cs.SC math-ph
Improving Energy Efficiency of Oil Platforms Through Optimal Loading of Diesel Generators Using Machine Learning and Search Algorithms
本研究针对海上石油平台能源低效问题，采用机器学习构建柴油消耗预测模型，结合搜索算法优化发电机负载，实现日均27%的柴油消耗降低，为平台能效提升提供可行方案。
2026-09-14 cs.AI cs.LG
ICDARTS: Improving the Stability and Performance of Cyclic DARTS
University of Tennessee（田纳西大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出ICDARTS，通过消除评估网络对搜索网络的依赖并改进zero操作离散化，提升循环DARTS的稳定性与泛化性能，并探索了动态搜索空间扩展方法。
2023-09-01 cs.AI cs.LG
Efficient Hill-Climber for Multi-Objective Pseudo-Boolean Optimization
University of Málaga（马拉加大学）；Colorado State University（科罗拉多州立大学）；University of São Paulo（圣保罗大学）
局部搜索算法和迭代局部搜索算法是一种基本技术。局部搜索可以是一种独立的搜索方法，但它也可以与进化算法混合。最近，它已被证明，它是可能的，以确定在汉明邻域的k-有界伪布尔优化问题在常数时间的改进移动。这意味着局部搜索不需要枚举邻域来找到改进的移动。这也意味着进化算法不需要使用随机变异作为算子，除非是作为一种逃避局部最优的方法。在本文中，我们将展示如何提高移动可以确定在常数时间的多目标问题，表示为k-有界伪布尔函数。特别是，多目标形式的NK景观和MK景观被认为是。
2016-01-27 cs.AI cs.NE
SelfSearch: Reward-Free Search for Self-Improving Agents
Graduate School of Data Science, Seoul National University（首尔大学数据科学研究生院）
SelfSearch是一种无奖励搜索方法，利用智能体自我修改的历史记录来改进自身，在多个基准上提升成功率并降低成本，且搜索成本极低。
2026-10-01 cs.AI cs.CL cs.LG
Meta-Gradient Search Control: A Method for Improving the Efficiency of Dyna-style Planning
University of Alberta（阿尔伯塔大学）；Amii（Amii（阿尔伯塔机器学习研究所））；Intel Labs（英特尔实验室）
本文提出一种在线元梯度算法来调节Dyna式规划中的状态查询概率，以解决不完美模型和持续学习场景下的样本效率问题，实验表明该方法能提高规划效率并避免传统采样策略的多种病态问题。
2024-06-27 cs.AI cs.LG
Creative Beam Search: LLM-as-a-Judge For Improving Response Generation
Alma Mater Studiorum Università di Bologna（博洛尼亚大学）；University College London（伦敦大学学院）
针对大语言模型生成缺乏意向性与创作过程的问题，提出结合多样性束搜索与大模型评判的Creative Beam Search方法，经定性实验验证其输出优于标准采样，且验证步骤是生成步骤的必要补充。
2024-10-07 cs.AI cs.CL cs.HC
Improving Human-Robot Teamwork in Urban Search and Rescue Through Episodic Memory of Prior Collaboration
HumemAI, The Netherlands（荷兰HumemAI）；Vrije Universiteit Amsterdam, The Netherlands（荷兰阿姆斯特丹自由大学）；TNO, The Netherlands（荷兰TNO）
提出利用知识图谱片段记忆存储历史协作模式，通过图表示学习选择代表性记忆初始化机器人，在MATRX USAR环境中将救援成功率从25.7%提升至41.3%，任务时间减少283秒。
2026-10-30 cs.AI cs.HC
Improving Continuous-time Conflict Based Search
Peoples’ Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学）；Federal Research Center for Computer Science and Control of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）；HSE University（高等经济学院）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
基于时间的搜索（CBS）是一个强大的算法框架，用于优化解决经典的多智能体路径寻找（MAPF）问题，其中时间被离散为时间步长。连续时间CBS（CCBS）是最近提出的CBS版本，保证最优解，而不需要离散时间。然而，CCBS的可扩展性是有限的，因为它不包括CBS的任何已知的改进。在本文中，我们开始缩小这一差距，并探讨如何适应成功的CBS的改进，即优先冲突（PC），不相交的分裂（DS），和高层次的竞争，连续时间设置的CCBS。这些适应是不平凡的，需要仔细处理不同类型的约束，应用广义版本的安全间隔路径规划（SIPP）算法，并扩展基数冲突的概念。我们通过在一般图和$2^k$邻域网格上运行实验来评估所建议的增强效果。具有这些改进的CCBS显著优于普通CCBS，在某些情况下解决了几乎两倍于多代理的问题，并在连续时间域中推动了多代理路径查找的极限。
2021-03-02 cs.AI cs.MA
Improving Performance Insensitivity of Large-scale Multiobjective Optimization via Monte Carlo Tree Search
Xiamen University（厦门大学）；Oklahoma State University（俄克拉荷马州立大学）
本文提出基于蒙特卡洛树搜索的进化算法LMMOCTS，通过采样决策变量构造并筛选优质节点，在提升大规模多目标优化性能的同时降低多次运行的性能波动，并设计两个敏感性指标验证其有效性。
2023-04-14 cs.AI cs.NE
Decaf: Improving Neural Decompilation with Automatic Feedback and Search
University of Pennsylvania（宾夕法尼亚大学）；Carnegie Mellon University（卡内基梅隆大学）
Decaf通过自动反馈和搜索显著提升神经反编译的语义正确性，将反编译率从26.0%提升至83.9%。
2026-05-12 cs.AI cs.CR cs.SE
Improving Similarity Search with High-dimensional Locality-sensitive Hashing
Salk Institute for Biological Studies（索尔克生物研究所）
提出了一类新的基于果蝇嗅觉回路的数据无关局部敏感哈希算法。这种方法的根本区别在于，不是将哈希分配为低维空间中的密集点，而是将哈希分配在高维空间中，这增强了它们的可分离性。我们从理论上和经验表明，这个新的家庭的哈希函数是局部敏感的，并保留在任何`p空间的输入的秩相似性。然后，我们分析了这种策略的不同变化，并实证表明，它们优于现有的LSH方法的最近邻居搜索六个基准数据集。最后，我们提出了一个多探针版本的算法，实现更高的性能相同的查询时间，或相反，保持性能的先前的方法，同时采取显着更少的索引时间和内存。总的来说，我们的方法利用了高维空间提供的可分性的优势，同时仍然保持计算效率
2018-12-05 cs.AI cs.DS cs.LG
Improving Differentiable Architecture Search via Self-Distillation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
针对DARTS中超网络收敛至尖锐最小值导致性能差距的问题，提出SD-DARTS，利用自蒸馏和投票教师机制降低损失尖锐度，弥合离散化差距，实验验证优于现有方法。
2023-09-01 cs.AI cs.CV cs.LG
Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers
IBM（国际商业机器公司）
本文提出Blended RAG方法，通过融合稠密向量索引、稀疏编码器索引与混合查询策略提升检索准确性，在NQ、TREC-COVID及SQUAD等数据集上取得优于微调的效果。
2024-08-04 cs.AI cs.CL cs.IR
