Analysis and Design of Thompson Sampling for Stochastic Partial Monitoring
The University of Tokyo（东京大学）；RIKEN AIP（理化学研究所先进智能项目中心）
我们研究有限随机部分监控，这是一个一般模型的顺序学习有限反馈。虽然汤普森抽样是一个最有前途的算法在各种在线决策问题，其性质的随机部分监测尚未从理论上研究，现有的算法依赖于一个启发式近似的后验分布。为了缓解这些问题，我们提出了一种新的基于时间序列的采样算法，它使我们能够准确地从后验分布中采样目标参数。此外，我们证明了新算法实现了对数问题依赖的期望伪遗憾$\mathrm{O}(\log T)$的线性化的局部可观测性问题的变体。这一结果是部分监控情形下Thompson抽样的第一遗憾界，也是线性强盗情形下Thompson抽样的第一对数遗憾界。
2021-06-10 cs.LG stat.ML
Exploration by Optimisation in Partial Monitoring
DeepMind（深度思维）
我们提供了一个简单而有效的算法对抗$k$ -行动$d$ -结果非退化局部可观察部分监控游戏的$n$轮极大极小遗憾的$6(d+1) k^{3/2} \sqrt{n \log(k)}$，匹配最知名的信息论上界。同样的算法也实现了接近最优的遗憾，充分的信息，强盗和全球可观察的游戏。
2019-10-25 cs.LG math.OC stat.ML
Utility-based Dueling Bandits as a Partial Monitoring Game
INRIA（法国国家信息与自动化研究所）；Orange labs（Orange实验室）
本文将基于效用的决斗老虎机问题作为部分监测博弈的实例研究，证明其符合时间-遗憾层次结构且为Theta(sqrt{T})简单实例，并调研了部分监测算法以高效解决该问题。
2015-09-25 cs.LG
Large Multistream Data Analytics for Monitoring and Diagnostics in Manufacturing Systems
Georgia Institute of Technology（佐治亚理工学院）
大规模多流数据的高维性和体积已经抑制了开发集成监测和诊断（M&D）方法的显著研究进展。这些数据也被归类为大数据，在制造工厂中越来越普遍。在本文中，我们提出了一个集成的M\&D方法的大规模流数据。我们开发了一种新的监测方法，称为自适应主成分监测（APC），自适应地选择PC，最有可能发生变化，由于早期检测的变化。重要的是，我们集成了一种新的诊断方法，主成分信号恢复（PCSR），以实现简化的SPC。这种诊断方法从压缩感知中汲取灵感，并使用自适应Lasso来识别过程中的稀疏变化。我们从理论上激励我们的方法，并通过模拟和案例研究我们的综合M&D方法的性能评估。
2018-12-26 cs.LG stat.ML
Non-trivial two-armed partial-monitoring games are bandits
University of Alberta（阿尔伯塔大学）
我们认为在线学习在部分监控游戏对一个健忘的对手。我们表明，当学习者的行动数量是两个和游戏是非平凡的，那么它是一个强盗般的游戏，从而极大极小遗憾是$Θ(\sqrt{T})$。
2011-08-24 cs.LG
An Information-Theoretic Approach to Minimax Regret in Partial Monitoring
DeepMind（深度思维）
我们证明了一个新的极大极小定理连接的最坏情况下的贝叶斯后悔和极大极小遗憾下的部分监控，没有假设的空间信号或决策的对手。然后，我们概括了Russo和Van Roy（2016）用于证明贝叶斯遗憾界的信息理论工具，并将其与极大极小定理相结合，推导出各种部分监控设置的极大极小遗憾界。亮点是一个干净的分析“非退化容易”和“硬”有限的部分监测，与新的遗憾界是独立的任意大的游戏相关常数。广义机器的力量进一步证明，证明最小最大遗憾的k-武装敌对土匪是最sqrt {2kn}，改善现有的结果的一个因素2。最后，我们提供了一个简单的分析警察和强盗的游戏，也改善了最好的已知常数。
2019-05-29 cs.LG math.OC stat.ML
Regret Lower Bound and Optimal Algorithm in Finite Stochastic Partial Monitoring
The University of Tokyo（东京大学）
部分监控是一个一般模型的顺序学习与有限的反馈形式化为两个球员之间的游戏。在这个游戏中，学习者选择一个动作，同时对手选择一个结果，然后学习者遭受损失，并收到反馈信号。学习者的目标是使总损失最小化。在本文中，我们研究了有限行动和随机结果的部分监控。我们推导出一个对数分布相关的遗憾下限，定义了问题的难度。受DMED算法（Honda and Takemura，2010）的启发，我们提出了PM-DMED算法，该算法最小化了分布相关的后悔。PM-DMED在数值实验中的性能明显优于最先进的算法。为了证明PM-DMED在遗憾界上的最优性，我们通过引入铰链函数（PM-DMED-Hinge）对算法进行了稍微修改。然后，我们得到了一个渐进最优的后悔PM-DMED-铰链的上界匹配的下限。
2015-09-30 cs.LG stat.ML
A Primal Condition for Approachability with Partial Monitoring
Technion（以色列理工学院）；Université Paris-Diderot（巴黎第七大学）；CNRS（法国国家科学研究中心）；Ecole normale supérieure（巴黎高等师范学院）；HEC Paris（巴黎高等商学院）
在完全监控的可逼近性中，已知有两种类型的条件对于凸集是等价的：原始条件和对偶条件。原始的形式是：一个集合C是可接近的当且仅当所有包含的半空间在一次博弈中是可接近的;而对偶的形式是：一个凸集C是可接近的当且仅当它与所有具有某种形式的支付集相交。我们考虑部分监控博弈中的可接近性。在以前的工作（Perchet 2011; Mannor et al. 2011）中，我们提供了可逼近凸集的对偶特征;我们还展示了C是多胞形的情况下的有效策略。本文给出了凸集可部分监控逼近的基本条件。它们依赖于修改后的报酬函数，并导致可接近性策略，基于修改后的支付函数，进行类似于Blackwell（1956）的策略的预测;这是在对比与以前研究的策略，在这种情况下，主要依赖于信号结构，旨在估计以及所收到的信号的分布。我们的结果推广了Kohlberg 1975的经典结果（也可参见Mertens et al. 1994），并适用于具有任意信号结构的博弈以及任意凸集。
2013-05-23 cs.GT cs.LG math.OC
No Internal Regret via Neighborhood Watch
University of Pennsylvania（宾夕法尼亚大学）
我们提出了一个算法，达到O（\sqrt{T}）的内部（因此外部）遗憾有限游戏的局部可观测性条件下的部分监测。最近，这个条件已经被（Bartok，Zynga，and Szepesvari，2011）证明了，对于部分监控博弈，相对于i.i.d.，它意味着O（\sqrt{T}）的速度。对手，作者强调，同样适用于非随机对手。我们的结果是肯定的，它完成了对有限部分监控博弈的可能速率的表征，这是Cesa Bianchi，Lugosi和Stoltz，2006年提出的一个开放性问题。我们的遗憾保证也适用于更一般的随机信号部分监控模型。
2011-08-30 cs.GT cs.LG
Energy-efficient and Privacy-aware Social Distance Monitoring with Low-resolution Infrared Sensors and Adaptive Inference
Politecnico di Torino（都灵理工大学）
结合机器学习（ML）的低分辨率红外（IR）传感器可用于在室内空间中实施隐私保护社交距离监控解决方案。然而，在物联网（IoT）边缘节点上执行这些应用程序的需求使得能耗变得至关重要。在这项工作中，我们提出了一个节能的自适应推理解决方案，包括一个简单的唤醒触发器和一个8位量化的卷积神经网络（CNN），这是只调用难以分类的帧的级联。在物联网微控制器上部署这样的自适应系统，我们表明，当处理8x8低分辨率红外传感器的输出时，我们能够将基于静态CNN的方法的能耗降低37-57%，精度下降不到2%（83%平衡精度）。
2022-04-22 cs.LG
Adaptive machine learning strategies for network calibration of IoT smart air quality monitoring devices
ENEA（意大利国家新技术、能源与环境机构）
空气质量多传感器系统（AQMS）是一种基于低成本化学微传感器阵列的物联网设备，最近已经证明能够提供相对准确的空气污染物定量估计。它们的可用性允许部署无处不在的空气质量监测（AQM）网络，这将解决影响AQ监管监测系统（AQRMS）当前网络的地理稀疏问题。不幸的是，由于包括传感器中毒或老化、非目标气体干扰、缺乏制造可重复性等在内的几个技术问题的负面影响，它们的精度在长期的现场部署中显示出有限性。先验概率分布的季节性变化，可观察和隐藏的上下文变量（即不可观察的干扰物）挑战现场数据驱动的校准模型，这些模型的短期到中期性能最近引起了城市当局和监测机构的注意。在这项工作中，我们解决这个非平稳的框架与自适应学习策略，以延长多传感器校准模型的有效性，使连续学习。分析了不同网络和节点间重校准情况下相关参数的影响。因此，结果是有用的普及部署，旨在永久高分辨率AQ映射在城市的情况下，以及使用AQMS作为AQRMS备份系统提供数据时，AQRMS数据不可用，由于故障或定期maintainance。
2020-03-24 cs.LG eess.SP stat.ML
Probabilistic Time Series Forecasting for Adaptive Monitoring in Edge Computing Environments
Technische Universität Berlin（柏林工业大学）；University of Glasgow（格拉斯哥大学）
随着越来越多的计算被转移到网络边缘，由于典型的资源受限环境，对关键基础设施（例如自动驾驶中的中间处理节点）的监控变得更加复杂。为了减少由监视强加的网络链路上的资源开销，已经讨论了各种方法，这些方法或者遵循用于数据发出设备的过滤方法，或者基于所采用的预测模型进行动态采样。尽管如此，现有的方法主要需要对边缘设备进行自适应监控，这需要设备重新配置，利用额外的资源，并限制了所采用模型的复杂性。在本文中，我们提出了一种基于采样和云定位的方法，内部利用概率预测，因此提供了量化模型不确定性的手段，可用于采样频率的情境化适应，从而缓解了受限的网络资源。我们评估了我们的原型实现的监控管道上公开可用的流数据集，并证明其对资源效率的方法比较的积极影响。
2023-01-30 cs.DC cs.LG
Minimax Regret for Partial Monitoring: Infinite Outcomes and Rustichini's Regret
DeepMind（深度思维）
我们证明了，如果（a）使用后悔的标准定义，但对手玩的潜在空间可能是无限的;或者（b）使用Rustichini（1999）引入的后悔，并且潜在空间是有限的，则Lattero和Gyorgy（2020）的广义信息比的一个版本确定了所有有限行动部分监控博弈的渐近极小极大后悔。我们的结果是补充了一些例子。对于任何$p \in [1/2,1]$，存在一个无限的部分监控游戏，其中$n$回合上的极大极小遗憾是$n^p$，直到次多项式因子，并且存在有限对策，其中极小极大Rustichini遗憾是$n^{4/7}$，直到次多项式因子。
2022-02-22 cs.LG math.OC
Internal Regret with Partial Monitoring. Calibration-Based Optimal Algorithms
Centre de Mathématiques et de Leurs Applications（数学及其应用中心）；École Normale Supérieure（巴黎高等师范学院）
我们提供了一致的随机算法的顺序决策下部分监控，即当决策者不观察的结果，而是接收随机反馈信号。这些算法没有内在的遗憾，因为在决策者根据给定的法则选择行动的阶段集合上，平均收益不可能通过使用任何其他固定的法则而得到平均改善。它们基于校准的一般化，不再用沃罗诺伊图定义，而是用拉盖尔图（一个更一般的概念）。这使我们能够在这个一般框架中第一次将$n$阶段的预期平均内部-以及通常的外部-遗憾限制在$O(n^{-1/3})$，这是已知的最佳值。
2011-02-22 cs.GT cs.LG math.OC
Robust approachability and regret minimization in games with partial monitoring
Israel Institute of Technology (Technion)（以色列理工学院）；Université Paris-Diderot（巴黎第七大学（巴黎狄德罗大学））；Ecole Normale Supérieure（巴黎高等师范学院）；CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；HEC Paris（巴黎高等商学院）
可接近性已经成为分析对抗性在线学习设置中的收入算法的标准工具。我们开发了一个变种的游戏，其中有模糊性，获得的奖励属于一个集合，而不是一个单一的向量的可接近性。使用这个变体，我们解决了部分监控游戏中的可接近性问题，并开发了简单有效的算法（即，具有恒定的每步复杂度）。最后，我们考虑了部分监控重复博弈中的外部后悔和内部后悔，并基于可接近性理论推导出后悔最小化策略。
2012-02-15 cs.LG math.ST stat.TH
Online Modeling and Monitoring of Dependent Processes under Resource Constraints
University of Houston（休斯顿大学）；Oregon State University（俄勒冈州立大学）
针对动态过程监控中忽略相依性与不确定性的问题，提出一种在线协同学习方法，设计CL-UCB算法在资源约束下平衡利用与探索，实现准确监控与不确定性降低，并通过理论与实证验证了有效性。
2023-10-21 cs.LG
Neural Active Learning Meets the Partial Monitoring Framework
Université Laval（拉瓦尔大学）；Thales Research and Technology (cortAIx)（泰勒斯研究与技术（cortAIx））；Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；Institut Intelligence et Données（智能与数据研究所）
研究在线主动学习设置，基于部分监测为OAL任务提出新基础，表明相关任务是部分监测实例，引入成本敏感型任务扩展潜力，提出NeuralCBP策略，实验显示其在多类OAL任务上性能优于基线。
2026-07-14 cs.LG
Adaptive-Sensorless Monitoring of Shipping Containers
Tepper School of Business, Carnegie Mellon University（卡内基梅隆大学Tepper商学院）
本文提出“自适应无传感器”监测框架，通过残差校正方法结合实时遥测数据修正无传感器模型的系统偏差，在最大集装箱数据集上验证其显著降低了温湿度预测误差。
2025-11-04 cs.AI cs.CE cs.LG
ConformalShift: Targeted Event Reordering Against Adaptive ECG Monitoring
该研究提出ConformalShift攻击，通过重排序真实前置事件降低心电监测的心室阈值，在MIT-BIH和INCART数据集上成功抑制心室类别，表明医疗自适应监测器可被真实信息时序破坏。
2026-08-05 cs.LG
A PDE approach for regret bounds under partial monitoring
University of Michigan（密歇根大学）；Florida State University（佛罗里达州立大学）；University of Vienna（维也纳大学）
在本文中，我们研究了一个学习问题，其中预测器只观察部分信息。通过适当地重新标度的问题，我们推导出一个限制PDE的Wasserstein空间的特征渐近行为的后悔的预测。使用验证类型的参数，我们表明，获得遗憾的界限和有效的算法的问题，可以通过找到适当的光滑子/上解的抛物型偏微分方程。
2022-09-02 cs.LG math.OC math.PR
A Nonparametric Adaptive EWMA Control Chart for Binary Monitoring of Multiple Stream Processes
School of Data Science and Analytics, Kennesaw State University（数据科学与分析学院，肯纳邦克州立大学）
本文提出一种非参数自适应EWMA控制图，用于多流二项式过程的监控，通过精确计算EWMA统计量的时间变化方差，实现自适应控制限，提升早期变化检测能力。
2026-04-13 cs.LG stat.AP stat.ME
Best-of-Both-Worlds Algorithms for Partial Monitoring
Kyoto University（京都大学）；RIKEN AIP（理化学研究所AIP中心）；NEC Corporation（日本电气股份有限公司）
本研究考虑了部分监控问题的$k$ -行动和$d$ -结果，并提供了第一个最好的两个世界的算法，其遗憾是有利的限制在随机和对抗制度。特别是，我们表明，对于非退化的局部可观察的游戏，遗憾是$O(m^2 k^4 \log(T) \log(k_Π T) / Δ_{\min})$在随机制度和$O(m k^{2/3} \sqrt{T \log(T) \log k_Π})$在对抗制度，其中$T$是轮数，$m$是每个动作的不同观察的最大数量，$Δ_{\min}$是最小次优差距，和$k_Π$是帕累托最优动作的数量。此外，我们表明，全球可观察的游戏，遗憾是$O(c_{\mathcal{G}}^2 \log(T) \log(k_Π T) / Δ_{\min}^2)$在随机制度和$O((c_{\mathcal{G}}^2 \log(T) \log(k_Π T))^{1/3} T^{2/3})$在对抗制度，其中$c_{\mathcal{G}}$是一个游戏依赖常数。我们还提供了一个随机政权的对抗性腐败的遗憾界。我们的算法是基于以下的正则化领导者框架，并受到启发的探索优化和自适应学习率在该领域的在线学习反馈图。
2022-10-09 cs.LG stat.ML
Efficient contextual partial monitoring with general function approximation
University of Arizona（亚利桑那大学）；POSTECH（浦项科技大学）
该研究针对带侧信息的有限随机部分监控博弈，基于E2D元算法设计高效框架，提出两种探索规则，在合成博弈与LLM路由任务上验证其性能优于现有方法。
2026-10-15 cs.LG stat.ML
Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring
IBM Research（IBM研究院）
本文提出一种自适应置信区间异常检测方法，利用预训练基础模型进行预测，无需额外微调，实现可解释的异常评分，适用于资源受限环境，解决数据有限和快速推理需求问题。
2026-04-22 cs.AI cs.LG
Adaptively Robust LLM Monitoring via Activation Watermarking
Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
本文提出通过激活水印技术提升语言模型的安全监控能力，针对适应性攻击者设计改进防御策略，有效提升检测准确率。
2026-07-30 cs.AI cs.CR cs.CY
WATCH: Adaptive Monitoring for AI Deployments via Weighted-Conformal Martingales
Johns Hopkins University（约翰霍普金斯大学）
该研究针对AI部署监控的现有局限，提出加权共形测试鞅（WCTMs），可在线监控数据分布变化、检测并诊断有害偏移，在真实数据集上性能优于最先进基线。
2026-08-18 cs.AI cs.LG stat.ML
Neural Predictive Monitoring under Partial Observability
Università di Trieste（的里雅斯特大学）；Saarland University（萨尔大学）；Royal Holloway University（伦敦大学皇家霍洛威学院）
我们考虑预测监测（PM）的问题，即，在运行时从当前状态预测系统的未来违规。我们在最现实的设置下工作，在运行时只有部分和嘈杂的状态观测。这样的设置直接影响可达性预测的准确性和可靠性，危及系统的安全性。在这项工作中，我们提出了一种基于学习的PM方法，尽管部分可观测性（PO），但该方法可以产生准确可靠的可达性预测。我们建立在神经预测监控（NPM），PM方法，使用深度神经网络近似混合系统的可达性，并将其扩展到PO的情况下。我们提出并比较了两种解决方案，端到端的方法，它直接操作的粗糙的意见，和一个两步的方法，它引入了一个中间的状态估计步骤。这两种解决方案都依赖于保形预测来提供1）预测区域形式的概率保证和2）预测不确定性的合理估计。我们使用后者来识别不可靠的（和可能错误的）预测，并在这些不确定的输入上重新训练和改进监视器（即，主动学习）。我们的方法可以实现高度准确的可达性预测和错误检测，以及具有保证覆盖率的紧密预测区域。
2021-08-17 cs.LG
Quickest Causal Change Point Detection by Adaptive Intervention
Tsinghua University（清华大学）
针对线性因果模型的变点监测，本文提出借助中心化集中因果传播变化、基于 KL 散度选择干预节点和干预值，并采用两种兼顾探索与利用的自适应干预方法，证明其一阶最优性且通过仿真与真实案例验证。
2025-06-09 cs.LG stat.ML
Adaptive Resources Allocation CUSUM for Binomial Count Data Monitoring with Application to COVID-19 Hotspot Detection
Arizona State University（亚利桑那州立大学）；Georgia Institute of Technology（佐治亚理工学院）；Fred Hutchinson Cancer Research Center（弗雷德·哈钦森癌症研究中心）
在本文中，我们提出了一个有效的统计方法（表示为“自适应资源分配”），鲁棒性和有效地检测有限的采样资源的热点。我们的主要思想是结合多臂强盗（MAB）和变点检测方法，以平衡的探索和开发的资源分配热点检测。此外，贝叶斯加权更新用于更新感染率的后验分布。然后，置信上界（UCB）用于资源分配和规划。最后，通过CNOUM监控统计数据来检测更改点以及更改位置。在性能评估方面，我们将所提出的方法与文献中的几种基准方法进行了性能比较，结果表明所提出的算法能够实现更低的检测延迟和更高的检测精度。最后，将该方法应用于华盛顿州县级每日阳性COVID-19病例的真实案例研究中的热点检测，并在非常有限的分布式样本下证明了该方法的有效性。
2022-08-17 cs.LG stat.AP stat.ME
Randomized Confidence Bounds for Stochastic Partial Monitoring
Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）；Mila - Québec AI Institute（魁北克人工智能研究所）；Thales Digital Solutions (cortAIx lab)（泰勒斯数字解决方案（cortAIx实验室））
研究随机结果下的上下文和非上下文部分监测设置，基于确定性置信界随机化引入新策略，扩展遗憾保证，实验表明新策略在多个PM博弈中性能良好，还设计了监测分类系统错误率的用例。
2026-07-14 cs.LG
Capture-Calibrate-Coach: A Graph-Based Framework for Knowledge Monitoring Estimation and Adaptive Feedback
Kyushu University（九州大学）；Osaka Kyoiku University（大阪京都大学）；South China Normal University（华南师范大学）；Nagoya University（名古屋大学）；Chubu University（楚博大学）
提出Capture-Calibrate-Coach框架，通过异构图神经网络推断学习者未明确提及概念的知识状态，并基于元认知模式提供个性化反馈，在684名学生中预测潜在感知状态AUC达85.21%。
2026-05-25 cs.LG
Instance-Dependent Regret Bounds for Nonstochastic Linear Partial Monitoring
EPFL（苏黎世联邦理工学院）；Università degli Studi di Milano（米兰大学）；Politecnico di Milano（米兰理工大学）；ETH Zürich（苏黎世联邦理工学院）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化技术研究院）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔INP）；LJK（实验室）
本文提出了一种非随机线性部分观察问题的实例依赖后悔界，通过探索-优化方法实现了高效实现，并在不同游戏中达到了标准的√T和T^{2/3}速率。
2026-01-14 cs.LG
Feature Engineering for Agents: An Adaptive Cognitive Architecture for Interpretable ML Monitoring
Barcelona Supercomputing Center（巴塞罗那超级计算中心）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Emory University（埃默里大学）
针对传统ML监测输出可解释性低的问题，提出融合特征工程与LLM的认知架构，通过重构、分解、编译三步模拟特征工程，提升输出可解释性与确定性，实验验证其在多领域准确率优于基线。
2025-06-11 cs.AI cs.LG
Adaptive Unknown Fault Detection and Few-Shot Continual Learning for Condition Monitoring in Ultrasonic Metal Welding
Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系）；Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室）；Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）
本文提出了一种自适应条件监控方法，通过分析多层感知机的隐藏层表示和统计阈值策略实现未知故障检测，并结合少样本持续学习提升焊接过程监控的适应性与准确性。
2026-04-15 cs.LG eess.SP
AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient eHealth Systems
University of California, Irvine（加州大学尔湾分校）；University of Turku（图尔库大学）
eHealth系统通过持续监控生理和情境数据，为用户提供关键的数字医疗保健和健康服务。eHealth应用程序使用多模态机器学习内核来分析来自不同传感器模态的数据并自动化决策。感官数据采集期间的噪声输入和运动伪影影响i）电子健康服务的预测准确性和弹性以及ii）处理垃圾数据的能源效率。监测原始感官输入以识别和丢弃来自噪声模态的数据和特征可以提高预测准确性和能源效率。我们提出了一个多模态电子健康应用程序的闭环监控和控制框架，AMSER，可以通过以下方式减轻垃圾输入垃圾输出：i）监控输入模态，ii）分析原始输入以选择性地丢弃噪声数据和特征，iii）选择适合配置数据和特征向量的适当机器学习模型-以提高预测准确性和能源效率。我们评估我们的AMSER方法，使用多模式的电子健康应用程序的疼痛评估和压力监测在不同的水平和类型的嘈杂的组件，通过不同的传感器模式。与最先进的多模式监测应用相比，我们的方法在预测准确性方面实现了高达22%的提高，并在传感阶段将$\times$能耗降低了5.6。
2021-12-13 cs.AI cs.LG
Query-Adaptive Predictive Inference with Partial Labels
Stanford University（斯坦福大学）
在统计机器学习中，完全监督标签的成本和稀缺性鼓励使用部分标记的数据进行模型验证，作为一种更便宜，更容易获得的替代方案。因此，有效地收集和利用弱监督数据进行大空间结构化预测任务成为端到端学习系统的重要组成部分。我们提出了一种新的计算友好的方法来构建预测集只使用部分标记的数据上的黑盒预测模型。为此，我们引入“探测”函数作为描述弱监督实例的一种方式，并定义了错误发现比例型损失，这两者都无缝地适应部分监督和结构化预测-排名，匹配，分割，多标签或多类分类。我们的实验突出了我们的预测集建设的有效性，以及一个更灵活的用户相关的损失框架的吸引力。
2022-06-15 cs.LG stat.ML
Daily Physical Activity Monitoring -- Adaptive Learning from Multi-source Motion Sensor Data
University of California, Berkeley（加州大学伯克利分校）；Columbia University（哥伦比亚大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
针对单一传感器数据在身体活动监测中的局限性，本文提出一种利用实验室多源数据训练的迁移学习框架，并引入新度量标准，在分类准确性和噪声鲁棒性上优于现有方法，为日常活动监测提供新途径。
2024-05-26 cs.LG
Lessons Learned from Deploying Adaptive Machine Learning Agents with Limited Data for Real-time Cell Culture Process Monitoring
Complex Adaptive Systems Laboratory, The Data Science Institute, University of Technology Sydney, NSW 2007, Australia（复杂适应系统实验室，数据科学研究所，新南威尔士大学悉尼分校）
本研究针对细胞培养过程监测数据有限和过程可变的问题，对比三种ML方法在拉曼光谱代谢物预测中的表现，明确了各方法适用场景，强调模型在线更新的重要性并验证了混合专家框架的效用，为生物制造环境ML部署提供策略参考。
2025-08-29 cs.LG q-bio.QM
Sustainable Intelligence for the Wild: Democratizing Ecological Monitoring via Knowledge-Adaptive Edge Expert Agents
Simon Fraser University（西蒙 Fraser大学）；Wild Salmon Center（野生鲑鱼中心）；Pacific Salmon Foundation（太平洋鲑鱼基金会）；Haida Fisheries Program（海达渔业计划）
本文提出一种知识自适应边缘代理架构，通过分离视觉感知与推理，结合视觉编码器和动态知识库，实现生态监测的可持续发展，促进伦理AI协同开发。
2026-05-15 cs.AI cs.CV cs.CY
Adaptive Multi-Agent Deep Reinforcement Learning for Timely Healthcare Interventions
University of Southern Queensland（南昆士兰大学）；Wuhan University of Technology（武汉理工大学）；Lingnan University（岭南大学）；Hong Kong Baptist University（香港浸会大学）；Huazhong University of Science and Technology（华中科技大学）
针对传统患者监护系统在复杂动态环境下易延误危急状况识别的问题，提出基于多智能体深度强化学习的监护框架，经真实数据集验证其性能优于多种基线模型，超参数优化可进一步提升效果。
2024-10-28 cs.AI cs.LG
Monitoring Decoding: Mitigating Hallucination via Evaluating the Factuality of Partial Response during Generation
本文提出监控解码(MD)框架，通过在生成过程中动态监控并利用基于树的解码策略修改易产生幻觉的关键token，有效提升了大模型的事实准确性并显著降低了计算开销。
2025-09-13 cs.CL cs.LG
Partial Distribution Alignment via Adaptive Optimal Transport
South China University of Technology（华南理工大学）；South China Normal University（华南师范大学）
本文提出自适应最优传输方法，突破经典最优传输的全质量或固定质量约束，实现概率质量的自适应传输，并在领域自适应任务中显著超越现有算法。
2025-03-07 cs.LG
Digital Twin-Driven Adaptive Sim-to-Real Alignment via Reinforcement Learning for Vibration-Based Bearing Health Monitoring Under Data Scarcity
Harbin Institute of Technology, China（哈尔滨工业大学，中国）；Eastern Institute of Technology, China（东方技术研究院，中国）
针对数据稀缺下振动监测的故障诊断问题，提出基于强化学习的数字孪生自适应对齐方法，通过策略网络为不同故障类型生成特定仿射变换，平衡特征间隙与类间可分性，在三个数据集上验证了有效性。
2026-06-25 cs.CL cs.LG
Monitoring Algorithmic Fairness under Partial Observations
Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所（ISTA））
本研究将算法公平性监控扩展至部分观测马尔可夫链（POMC）系统，通过仅观察单次执行并利用PAC估计实时更新系统的公平性评估，在计算轻量级的前提下实现了对系统整体分布的公平性监控。
2023-08-01 cs.AI cs.LG
Partial-Adaptive Submodular Maximization
Naveen Jindal School of Management, The University of Texas at Dallas（德克萨斯大学达拉斯分校纳文·金达尔管理学院）；Department of Computer Science, The University of Texas at Dallas（德克萨斯大学达拉斯分校计算机科学系）
一个典型的自适应序贯决策问题的目标是设计一个交互式的政策，选择一组项目顺序，根据一些部分的意见，以最大化的期望效用。许多实际应用的效用函数，包括基于池的主动学习和自适应影响力最大化，都满足自适应子模块性的性质。然而，大多数关于自适应子模最大化的现有研究都集中在完全自适应设置上，即，在进行下一个选择之前，必须等待来自\emph{all}过去选择的反馈。虽然这种方法可以充分利用来自过去的反馈来做出明智的决定，但与非自适应解决方案相比，它可能需要更长的时间来完成选择过程，在非自适应解决方案中，所有选择都是在进行任何观察之前提前进行的。在本文中，我们探讨了部分自适应次模最大化的问题，其中一个是允许在一批同时进行多个选择，并观察他们的实现在一起。我们的方法具有自适应性的优点，同时减少了等待过去选择的观察结果所花费的时间。据我们所知，没有结果是已知的部分自适应政策的非单调自适应次模最大化问题。我们在基数约束和背包约束下研究了这个问题，并为这两种情况开发了有效和高效的解决方案。我们还分析了批量查询的复杂性，即，一个策略完成选择过程所需的批次数，在一些额外的假设下，我们的策略。
2021-11-01 cs.LG
An adaptive cognitive sensor node for ECG monitoring in the Internet of Medical Things
University of Cagliari（卡利亚里大学）
医疗物联网（IoMT）模式正在成为多项临床试验和医疗保健程序的主流。心血管疾病的监测，通常涉及心电图（ECG）痕迹分析，是最有前途和高影响力的应用之一。然而，为了充分利用IoMT在这一领域的潜力，还需要采取一些措施。首先，必须将边缘计算范式添加到图片中。必须启用一定水平的近传感器处理，以提高IoMT节点的可扩展性、可移植性、可靠性和响应能力。第二，必须开发新的、越来越准确的数据分析算法，例如基于人工智能和深度学习的算法。为了实现这些目标，IoMT节点的设计者和程序员必须面对具有挑战性的优化任务，以便在低功耗可穿戴和便携式处理系统上执行相当复杂的计算任务，并且具有紧凑的功率和电池寿命预算。在这项工作中，我们探索的认知数据分析算法的实现，基于一个卷积神经网络训练分类心电图波形，在资源受限的微处理器为基础的计算平台。为了最大限度地降低功耗，我们添加了一个自适应层，该层动态管理设备的硬件和软件配置，以便在运行时使其适应所需的操作模式。我们的实验结果表明，在运行时调整节点设置的工作负载可以节省高达50%的功耗。我们的优化和量化的神经网络达到了心律失常疾病检测的准确率值高于97%的MIT-BIH心律失常数据集。
2021-07-23 cs.HC cs.LG eess.SP
Machine Learning Based IoT Adaptive Architecture for Epilepsy Seizure Detection: Anatomy and Analysis
University of Cincinnati（辛辛那提大学）；Central Michigan University（中密歇根大学）
提出一种基于实时kNN机器学习的经济无创IoT自适应架构，可在4秒内为用户定制，并在500名受试者数据上以94.5%的平均准确率实现癫痫发作检测。
2023-09-05 cs.LG eess.SP
Safety Monitoring for Learning-Enabled Cyber-Physical Systems in Out-of-Distribution Scenarios
University of Pennsylvania（宾夕法尼亚大学）；SRI；University of British Columbia（不列颠哥伦比亚大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
针对学习型信息物理系统因深度神经网络对OOD输入的脆弱性导致的安全问题，提出结合自适应保形预测与增量学习、基于未来轨迹预测安全规范违反的鲁棒安全监测方法，在OOD场景下实现高召回率和及时性，性能优于替代方法。
2025-04-18 cs.LG
HASP: A High-Performance Adaptive Mobile Security Enhancement Against Malicious Speech Recognition
George Mason University（乔治梅森大学）；Clarkson University（克拉克森大学）
如今，基于机器学习的自动语音识别（ASR）技术已经在智能手机、家庭设备和公共设施中广泛普及。尽管这项技术很方便，但也带来了一个相当大的安全问题-用户的语音内容可能会受到恶意ASR监控，并导致严重的隐私泄露。在这项工作中，我们提出了HASP -一个高性能的安全增强方法来解决这个安全问题的移动设备。利用ASR系统对对抗性示例的脆弱性，HASP旨在将人类无法感知的对抗性噪声投射到实时语音中，并通过增加单词出错率（WER）来有效干扰恶意ASR监控。为了提高在移动设备上的实际性能，HASP还被优化以有效地适应人类语音特征、环境噪声和移动计算场景。实验表明，HASP可以实现最佳的实时安全增强：它可以导致平均WER为84.55%的干扰恶意ASR监测，数据处理速度是15倍到40倍的最先进的方法相比。此外，HASP可以有效地扰动各种ASR系统，表现出很强的可移植性。
2018-09-04 cs.CR cs.LG cs.SD
Control Charts for Multi-agent Systems
Johns Hopkins University（约翰霍普金斯大学）；Calcifer Computing（Calcifer公司）
本文提出基于适应性控制图的多智能体系统监控方法，通过仿真展示其在学习环境中的必要性，并揭示对抗性智能体对系统安全性的根本矛盾。
2026-11-09 cs.AI cs.LG cs.MA
A dual mode adaptive basal-bolus advisor based on reinforcement learning
University of Bern（伯尔尼大学）；Debiotech S.A.（Debiotech股份公司）；St. Mary's University（圣玛丽大学）；Insel Gruppe AG（Insel集团股份公司）
本研究提出基于强化学习的自适应基础-大剂量算法（ABBA），支持SMBG和CGM双模式输入，在100名成人计算机模拟中验证了其能实现个性化胰岛素优化与血糖控制，且不受监测技术类型影响。
2019-01-07 cs.LG cs.SY eess.SY
Optimizing Static and Adaptive Probing Schedules for Rapid Event Detection
Brown University（布朗大学）
我们制定和研究一个基本的搜索和检测问题，调度优化，各种现实世界的应用程序，从监控内容的变化在网络上，社交网络，和用户活动检测故障的大型系统与许多个人机器的动机。我们考虑一个由许多节点组成的大型系统，其中每个节点都有自己的新事件或项目生成率。监控应用程序可以在每一步探测少量的节点，我们的目标是计算一个探测时间表，最大限度地减少系统中未发现的项目的预期数量，或者等价地，最大限度地减少发现系统中新项目的预期时间。我们研究了确定性和随机无记忆算法的调度优化问题。我们提供了一个最优的时间表和构建接近最优的时间表，严格的数学保证的成本下限。最后，我们提出了一个自适应算法，开始没有先验信息的系统和收敛到最佳的无记忆算法，通过适应观测数据。
2015-09-10 cs.DS cs.LG
$r-$Adaptive Deep Learning Method for Solving Partial Differential Equations
University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心（BCAM））；Ikerbasque（伊克巴斯克）
我们介绍了一种$r-$自适应算法，使用深度神经网络求解偏微分方程。该方法限制在张量积网格上，优化一维边界结点的位置，并由此生成二维或三维网格。该方法允许定义固定接口以设计一致的网格，并且允许拓扑结构的改变，即，某些节点可以跨越固定接口。该方法同时优化的节点位置和PDE的解决方案的值在所产生的网格。为了数值说明我们提出的$r-$自适应方法的性能，我们将其与配置法，最小二乘法和深里兹法相结合。我们专注于后者来解决一维和二维问题，其解决方案是光滑的，奇异的，和/或表现出强梯度。
2022-10-19 cs.LG cs.NA cs.NE
