Hierarchical Feature-Aware Tracking
Xidian University（西安电子科技大学）
在本文中，我们提出了一个分层的特征感知跟踪框架，有效的视觉跟踪。近年来，将多个分量跟踪器相结合的集成跟踪器取得了令人印象深刻的性能。在集成跟踪器中，结果的决定通常是一个事后过程，即，首先获得每个跟踪器的跟踪结果，然后根据结果集合选择合适的跟踪器。在本文中，我们提出了一个预事件的方法。我们构建了一个专家库，每个专家都是一组特征。对于每一帧，首先根据过去的表现在池中选择几个专家，然后使用他们来预测对象。然后更新库中每个专家的选择率，并根据结果集成获得跟踪结果。我们提出了一种新的预先已知的专家自适应选择策略。由于该过程更有效，因此可以通过融合更多类型的特征来构建更多的专家，从而提高鲁棒性。此外，新的专家选择策略，可以减轻过拟合所造成的固定专家为每帧。在几个公开数据集上的实验表明了该方法的优越性及其在集成跟踪器中的最新性能。
2019-10-18 cs.CV cs.LG eess.IV
Diffusion Policy with Bayesian Expert Selection for Active Multi-Target Tracking
University of Georgia（佐治亚大学）；University of Connecticut（康涅狄格大学）
本文提出一种基于贝叶斯框架的扩散策略，用于主动多目标跟踪，通过预测专家策略的跟踪性能并选择最不确定的策略，提升跟踪效果。
2026-04-03 cs.LG cs.RO
Adaptive Bayesian Online Learning via Expert Aggregation
Inha University（仁荷大学）
研究如何改进贝叶斯在线学习，将其更新规则视为专家，按顺序预测损失聚合专家。通过在线共形推理和高斯过程回归实例化框架，得到平滑贝叶斯对应物及神谕不等式，实验显示聚合能跟踪强大专家且无需神谕专家选择。
2026-07-23 cs.LG stat.ML
Freezing and Sleeping: Tracking Experts that Learn by Evolving Past Posteriors
Centrum Wiskunde & Informatica (CWI)（数学和计算机科学中心（CWI））
弗罗因德提出的一个问题是如何有效地跟踪一个更大的专家集的一小部分。这个问题在Bousquet和Warfall于2001年推出混合过去后验（MPP）算法时得到了解决。在弗罗因德问题中，专家通常被认为是黑箱。然而，在本文中，我们重新审视弗氏问题的情况下，专家有内部结构，使他们能够学习。在这种情况下，问题有两种可能的解释：专家应该从所有数据中学习，还是只从他们正在跟踪的子序列中学习？MPP算法解决了第一种情况。我们的贡献是推广MPP以解决第二种选择。我们得到的结果适用于任何专家结构，可以使用（专家）隐马尔可夫模型进行形式化。奇怪的是，对于我们的解释，有\emph{two}自然的参考方案：冻结和睡眠。对于每个方案，我们提供了一个有效的预测策略，并证明了相关的损失界。
2010-08-27 cs.LG
AutoSIGHT: Automatic Eye Tracking-based System for Immediate Grading of Human experTise
University of Notre Dame（诺丁汉大学）
本文提出AutoSIGHT系统，基于眼动追踪特征自动区分专家与非专家，在虹膜PAD任务上5秒窗口AUROC达0.751，30秒达0.8306，并公开数据集，推动人机专业知识动态权衡研究。
2025-08-01 cs.AI cs.CV cs.LG
Online Deep Learning for Improved Trajectory Tracking of Unmanned Aerial Vehicles Using Expert Knowledge
Nanyang Technological University（南洋理工大学）；Aarhus University（奥胡斯大学）
本工作提出了一种基于在线学习的控制方法，用于同时使用深度学习和专家知识来改进无人机的轨迹跟踪。所提出的方法不需要精确的系统模型进行控制，它是对系统动态变化以及操作的不确定性鲁棒性。学习分为两个阶段：离线（前）培训和在线（后）培训。在前者中，常规控制器执行一组轨迹，并且基于输入-输出数据集，训练基于深度神经网络（DNN）的控制器。在后者中，模仿传统控制器的经过训练的DNN控制系统。与文献中现有的论文不同，该网络仍在针对DNN训练阶段未使用的不同轨迹集进行训练。由于规则库，其中包含的专家知识，所提出的框架学习系统动态和操作的不确定性实时。实验结果表明，所提出的在线学习为基础的方法提供了更好的轨迹跟踪性能相比，只有离线训练的网络。
2019-05-26 cs.LG cs.RO
Optimal Tracking in Prediction with Expert Advice
Bilkent University（比尔肯特大学）；Turkcell Teknoloji（土耳其电信技术公司）；DataBoss A.S.（DataBoss公司）
我们研究了专家建议设置的预测，其目的是通过组合一组专家产生的决策来产生决策，例如，独立运行的算法在专家建议设定的预测条件下，我们得到了最小-最大最优动态后悔，我们可以以最佳方式与专家决策的时变（不一定是固定的）组合竞争。我们的最终算法是真正在线的，没有先验信息，如时间范围或损失范围，这是常用的不同的算法在文献中。我们的遗憾保证和最小-最大下限都是在一般考虑到专家损失可能具有时变特性并且可能无界的情况下推导出来的。我们的算法可以适用于限制性的情况下，损失反馈和决策。我们的保证是普遍的，即，我们的最终算法可以提供对任何竞争者序列的最小-最大优化方式与对数复杂度的遗憾保证。请注意，据我们所知，对于专家建议问题的预测，我们的算法是第一个在没有先验知识的情况下产生这种普遍最优，自适应和真正在线保证的算法。
2022-08-07 cs.LG math.OC
Tracking the Best Expert in Non-stationary Stochastic Environments
Institute of Information Science（信息科学研究所）；Academia Sinica（中央研究院）
研究了非平稳随机环境中多臂强盗和专家的动态后悔问题。我们引入了一个新的参数$Λ$，它衡量的总统计方差的损失分布在$T$轮的过程，并研究这个数额如何影响后悔。我们研究了$Λ$和$Γ$之间的相互作用，它计算分布变化的次数，以及$Λ$和$V$之间的相互作用，它测量分布随时间的偏离程度。我们发现一个惊人的结果是，即使当$Γ$、$V$和$Λ$都被限制为常数时，在强盗情境下的后悔下限仍然随着$T$而增长。另一个亮点是，在完全信息设置中，通过恒定的$Γ$和$Λ$可以实现恒定的后悔，因为它可以独立于$T$，而通过恒定的$V$和$Λ$，后悔仍然具有$T^{1/3}$依赖性。我们不仅提出了具有上界保证的算法，而且证明了它们的匹配下界。
2019-06-21 cs.LG
Adaptive Multi-Expert Graph Transformer for Interpretable EEG-Based Diagnostics
University of Central Florida（中佛罗里达大学）
研究基于EEG的诊断问题，提出空间多专家图变换器，将EEG记录建模为动态功能连接图序列，用wPLI估计连接性，经层次图编码和多专家架构实现亚型感知推理，实验证明该方法在异常检测上性能良好且具可解释性。
2026-07-23 cs.LG
Towards Adaptive Continual Model Merging via Manifold-Aware Expert Evolution
Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（数据科学与人工智能系，香港理工大学）
本文提出MADE-IT方法，通过流形几何引导专家表示，解决持续模型合并中的参数饱和与冗余问题，实现自适应专家进化与隐式路由，提升模型在长周期任务序列中的准确性和鲁棒性。
2026-04-24 cs.LG
Adaptive LoRA Experts Allocation and Selection for Federated Fine-Tuning
University of Florida（佛罗里达大学）；Middle Tennessee State University（中田纳西州立大学）
针对联邦微调中LoRA专家数量分配与客户端选择难题，提出FedLEASE框架，通过表示相似性聚类分配领域专家并采用自适应top-M专家混合机制，在异构客户端下显著提升性能并保持通信效率。
2025-10-10 cs.LG
Bandwidth-Efficient Adaptive Mixture-of-Experts via Low-Rank Compensation
Rensselaer Polytechnic Institute（罗切斯特理工学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；George Washington University（乔治·华盛顿大学）
本文提出了一种带宽高效自适应混合专家方法，通过低秩补偿实现精度恢复，提升带宽-准确性权衡和吞吐量。
2025-12-18 cs.LG
Adaptive Optimal Trajectory Tracking Control Applied to a Large-Scale Ball-on-Plate System
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
虽然关于自适应动态规划（ADP）的理论研究已经很多，但应用结果很少。因此，我们设计了一个基于ADP的最优轨迹跟踪控制器，并将其应用于一个大规模的球板系统。我们提出的方法采用了近似的参考轨迹，而不是使用设定点跟踪，并允许自动补偿恒定的偏移量。由于该算法的离线特性，该方法只需要少量的测量数据来训练控制器。我们的实验结果表明，这种跟踪机制显着降低了控制成本相比，设定值控制器。此外，与基于模型的最优控制器的比较突出了我们的无模型基于数据的ADP跟踪控制器的优点，其中不需要系统模型和手动调整，而是使用测量数据自动调整控制器。
2021-01-25 cs.LG cs.SY eess.SY
Adaptive Conditional Expert Selection Network for Multi-domain Recommendation
OPPO
针对多领域推荐中MOE方法存在的可扩展性差和区分度低问题，提出CESAA方法，通过条件专家选择模块和自适应专家聚合模块，在计算效率与模型性能间取得平衡。
2024-11-11 cs.IR cs.LG
Dynamic Adaptive Shared Experts with Grouped Multi-Head Attention Mixture of Experts
KunLun Meta（昆仑元）
本文提出DASG-MoE混合模型，通过整合分组多头注意力、双尺度共享专家和分层自适应动态路由三大模块，有效提升了长序列建模的计算效率与长距离依赖捕获能力，并在多个基准数据集上超越现有先进模型。
2025-09-05 cs.AI cs.LG
Online Residual Learning from Offline Experts for Pedestrian Tracking
ETH Zürich（苏黎世联邦理工学院）；inspire AG（inspire AG公司）
针对在线行人轨迹预测，本文提出 ORL，将多个离线预测与递推最小二乘在线残差校正结合，并通过专家建议框架和自适应 softmax 聚合，实现遗憾保证与最佳性能。
2024-09-09 cs.LG cs.SY eess.SY
Multi-expert learning of adaptive legged locomotion
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制科学与工程学院 cyber-system 研究所）
实现多功能机器人运动需要运动技能，可以适应以前看不到的情况。我们提出了一个多专家学习架构（MELA），学习从一组有代表性的专家技能生成自适应技能。在训练过程中，MELA首先由一组不同的预先训练的专家初始化，每个专家都在一个单独的深度神经网络（DNN）中。然后，通过使用门控神经网络（GNN）学习这些DNN的组合，MELA可以获得更专业的专家和跨各种运动模式的过渡技能。在运行时，MELA不断混合多个DNN，并动态合成一个新的DNN，以产生自适应行为来响应不断变化的情况。这种方法利用训练有素的专家技能和快速在线合成的自适应策略的优势，在不断变化的任务中产生响应运动技能。使用统一的MELA框架，我们在一个真正的四足机器人上展示了成功的多技能运动，该机器人自主地进行连贯的小跑，转向和跌倒恢复，并展示了多专家学习生成行为的优点，这些行为可以适应看不见的场景。
2020-12-10 cs.AI cs.LG cs.RO
Adaptive Shared Experts with LoRA-Based Mixture of Experts for Multi-Task Learning
针对现有MoE-MTL方法单任务转多任务时适配冗余、知识共享低效的问题，提出带自适应共享专家的LoRA基MoE及细粒度专家设计，在PASCAL-Context基准上验证了性能提升效果。
2025-10-01 cs.AI cs.CV cs.LG
Coreset-Based Adaptive Tracking
Indian Institute of Technology（印度理工学院）；Google（谷歌）；Massachusetts Institute of Technology（麻省理工学院）
我们提出了一种方法，用于学习流视觉数据使用一个紧凑的，恒定大小的表示，直到一个给定的时刻看到的所有数据。具体来说，我们构建了一个'coreset'表示流数据使用并行算法，这是一个近似的一组关系到这个集合和所有其他点在其周围空间的平方距离。我们学习一个自适应的目标外观模型从coreset树在常数时间和对数空间，并使用它的目标跟踪检测。我们的方法在三个标准数据集上超过100个视频的对象跟踪获得了优异的结果。有效总结数据的能力使我们的方法非常适合在存在空间和时间限制的情况下跟踪长视频。我们通过在平均2685帧的数据集上优于各种算法来证明这种能力。这种基于核心集的学习方法既可以用于小数据的实时学习，也可以用于大数据的快速学习。
2015-11-19 cs.CV cs.LG
Adaptive Zeroing-Type Neural Dynamics for Solving Quadratic Minimization and Applied to Target Tracking
Guangdong Ocean University（广东海洋大学）；Southeast University（东南大学）；University of Leicester（莱斯特大学）
时变二次小型化（TVQM）问题是当前研究的热点，迫切需要一种更可靠、更快速的求解模型。为此，提出并实现了一种新的自适应系数构造框架，以提高求解模型的性能，从而形成自适应调零型神经动力学（AZTND）模型。然后将AZTND模型应用于TVQM问题的求解。自适应系数可以在线调整模型的步长，使求解模型收敛得更快。同时，积分项的发展，以提高在扰动环境中的模型的鲁棒性。实验结果表明，该模型具有更快的收敛速度和更可靠的鲁棒性比现有的方法。最后，将AZTND模型应用于目标跟踪方案中，验证了该模型的实用性。
2022-11-30 cs.LG cs.NA math.NA
Table-based Fact Verification with Self-adaptive Mixture of Experts
Tsinghua University（清华大学）；THiFLY Research（THiFLY研究院）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）
基于表格的事实验证问题近年来得到了广泛的关注，但仍然是一个非常具有挑战性的问题。它内在地需要对自然语言的信息推理以及对表的不同数值和逻辑推理（例如，计数、最高级、比较级）。考虑到这一点，我们利用混合专家，本文提出了一种新的方法：自适应混合专家网络（SaMoE）。具体来说，我们已经开发了一个混合的专家神经网络，以识别和执行不同类型的推理-网络是由多个专家，每个处理的语义推理的特定部分，而管理模块被应用于决定每个专家网络的贡献的验证结果。提出了一种自适应的方法，使管理模块能够在不需要外部知识的情况下，更有效地结合不同专家的结果进行教学。实验结果表明，我们的框架在基准数据集TabFact上达到了85.1%的准确率，与以前的最先进的模型相当。我们希望我们的框架可以作为一个新的基线基于表的验证。我们的代码可在www.example.com上获得。
2022-04-19 cs.AI cs.CL cs.LG
Ada-MoGE: Adaptive Mixture of Gaussian Expert Model for Time Series Forecasting
Huawei Noah’s Ark Lab（华为诺亚实验室）；Zhejiang University（浙江大学）
Ada-MoGE通过自适应确定专家数量和高斯带通滤波优化，提升时间序列预测的精度与效率。
2025-11-29 cs.AI cs.CE cs.LG
APEX: Adaptive Expert Prefetching for Memory-Efficient Edge MoE Inference
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出APEX自适应专家预取框架，通过预测候选专家动态预取，在保证或可忽略精度损失下，降低边缘MoE推理延迟、提升能效。
2026-08-13 cs.AI cs.AR cs.LG
FinHEAR: Human Expertise and Adaptive Risk-Aware Temporal Reasoning for Financial Decision-Making
Fudan University（复旦大学）；Tensorpacific；Peng Cheng Laboratory（鹏城实验室）；Meta AI；Shanghai Academy of AI for Science (SAIS)（上海人工智能科学研究院）
FinHEAR提出多智能体框架，结合人类专家知识与自适应风险感知，提升金融决策的时序推理与鲁棒性，在趋势预测和交易中优于强基线。
2025-10-17 cs.AI cs.LG q-fin.CP
Adaptive Dynamic Programming for Model-free Tracking of Trajectories with Time-varying Parameters
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
为了自主学习控制未知系统最优w.r.t.自适应动态规划（ADP）是一种目标函数，非常适合于根据与系统交互的经验来调整控制器。近年来，许多研究人员将重点放在跟踪的情况下，其目的是遵循一个期望的轨迹。到目前为止，ADP跟踪控制器假设参考轨迹遵循时不变的外系统动力学的假设，并不适用于许多应用。为了克服这一限制，我们提出了一个新的Q函数，它明确地采用了参考轨迹的参数化近似。这允许学习通过ADP跟踪一般类别的轨迹。一旦我们的Q函数被学习，相关的控制器就可以处理时变参考轨迹，而不需要进一步的训练，并且独立于外系统动态。在提出了我们的一般无模型离政策跟踪方法后，我们提供了线性二次跟踪的重要特例的分析。最后，我们总结了我们的论文与一个例子，表明我们的新方法成功地学习最优跟踪控制器，并优于现有的方法在跟踪误差和成本。
2020-02-17 cs.LG cs.RO cs.SY
An Adaptive Grasping Force Tracking Strategy for Nonlinear and Time-Varying Object Behaviors
Tsinghua University（清华大学）；Department of Mechanical Engineering, Tsinghua University（清华大学机械工程系）
本文提出基于LSTM网络的通用刚度估计器，解决非线性和时变物体抓取力跟踪问题，提升机器人在非结构化环境中的抓取能力。
2025-04-25 cs.LG cs.RO cs.SY
