From Model-Based and Adaptive Control to Evolving Fuzzy Control
University of Paderborn（帕德博恩大学）；University of Ljubljana（卢布尔雅那大学）；University of Campinas（坎皮纳斯大学）
本文借模糊集合理论60周年回顾经典模糊与自适应控制框架，阐述演化模糊系统通过数据流增量更新规则库以应对非平稳环境，并指出安全性、可解释性和结构演化等未来方向。
2025-06-07 cs.AI cs.LG cs.SY
A Machine Learning-based Framework for Predictive Maintenance of Semiconductor Laser for Optical Communication
ADVA Optical Networking SE（ADVA光网络公司）；Kiel University (CAU)（基尔大学（克里斯蒂安-阿尔布雷希茨大学））
半导体激光器是光通信系统的关键器件之一，随着下一代光网络对高速、低功耗、小形状因子等的要求，半导体激光器的发展日新月异，但这些要求也给半导体激光器的可靠性带来了严峻的挑战。因此，大量的注意力已经投入到改进它，从而确保可靠的传输。提出了一种基于机器学习技术的半导体激光器预测性维护框架，用于半导体激光器的实时健康监测和预测，从而提高其可靠性。所提出的方法由三个阶段组成：i）实时性能退化预测，ii）退化检测，和iii）剩余使用寿命（RUL）预测。首先，采用基于注意力的门控递归单元（GRU）模型对性能退化进行实时预测。然后，卷积自动编码器用于检测激光器的退化或异常行为，给定预测的退化性能值。一旦检测到异常状态，就利用基于注意力的深度学习的RUL预测模型。之后，估计的RUL被输入用于决策制定和维护计划。所提出的框架进行了验证，使用来自半导体可调谐激光器的加速老化试验的实验数据。与现有的基于ML的激光器RUL预测模型相比，所提出的方法实现了非常好的退化性能预测能力，具有0.01的小均方根误差（RMSE），94.24%的良好的异常检测精度和更好的RUL估计能力。
2022-11-05 cs.LG
An Evolving Cascade System Based on A Set Of Neo Fuzzy Nodes
Central China Normal University（华中师范大学）；Kharkiv National University of Radio Electronics（哈尔科夫国立无线电电子大学）
新的模糊元素被用来作为一个不断发展的级联系统节点。所提出的系统可以调整其参数和结构在一个在线的模式。它可用于解决广泛的数据采掘任务（即时间序列预测）。具有新模糊节点的进化级联系统可以快速有效地处理较大的数据集。
2016-10-20 cs.AI cs.NE
An Evolving Neuro-Fuzzy System with Online Learning/Self-learning
Kharkiv National University of Radio Electronics（哈尔科夫国立无线电电子大学）
提出了一种新的神经模糊系统结构。这种方法的基本思想是在监督学习和自学习范例的帮助下调整突触权重和隶属函数。解决这个问题的方法与不断发展的在线神经模糊系统有关，该系统可以在不确定条件下处理数据。结果证明了所开发的体系结构和学习过程的有效性。
2016-10-20 cs.AI cs.NE
Adaptive Forecasting of Non-Stationary Nonlinear Time Series Based on the Evolving Weighted Neuro-Neo-Fuzzy-ANARX-Model
Central China Normal University（华中师范大学）；Kharkiv National University of Radio Electronics（哈尔科夫国立无线电电子大学）
本文介绍了一种进化加权神经网络-neo-fuzzy-ANARX模型及其学习过程。该系统主要用于时间序列预测。该系统可以被认为是以并行方式处理数据的元素池。所提出的演进系统可以提供在线处理数据流。
2016-10-20 cs.AI cs.NE
A Genetic Fuzzy-Enabled Framework on Robotic Manipulation for In-Space Servicing
University of Cincinnati（克利夫兰大学）；Thales Avionics（泰勒斯航空电子）
本研究结合遗传模糊树与LQR控制，为卫星维护机器人提出可信高效的控制方案，性能提升18.5%且鲁棒性强。
2025-04-21 cs.AI cs.RO cs.SY
EGFC: Evolving Gaussian Fuzzy Classifier from Never-Ending Semi-Supervised Data Streams -- With Application to Power Quality Disturbance Detection and Classification
Federal University of Lavras（拉夫拉斯联邦大学）；University of Bologna（博洛尼亚大学）；INFN Bologna（意大利国家核物理研究所博洛尼亚分部）；Federal Center for Technological Education CEFET-MG（米纳斯吉拉斯联邦技术教育中心）
电能质量扰动导致若干缺点，例如生产能力的限制、线路和设备电流的增加以及随之而来的欧姆损耗;较高的操作温度、过早故障、机器预期寿命的减少、设备故障以及计划外停机。干扰的实时检测和分类被认为是行业标准的关键。我们提出了一个渐进的高斯模糊分类（EGFC）的半监督扰动检测和分类的框架相结合的混合Hodrick-Prescott和离散傅立叶变换属性提取方法应用于一个标志性窗口的电压波形。被认为是如尖峰，开槽，谐波和振荡瞬态的干扰。不同于其他监测系统，这需要离线训练的模型的基础上，有限的数据量和事件，提出的在线数据流为基础的EGFC方法是能够学习干扰模式自主从永无止境的数据流，通过适应的参数和结构的模糊规则的基础上飞。此外，所得到的模糊模型是语言上可解释的，这提高了模型的可接受性。我们展示了令人鼓舞的分类结果。
2020-04-17 cs.AI cs.LG eess.SP
Drift anticipation with forgetting to improve evolving fuzzy system
Univ Rennes（雷恩大学）；CNRS（法国国家科学研究中心）；IRISA（法国国家信息与自动化研究所雷恩分所）
处理非平稳的数据流需要分析系统随着时间的推移发展其模型（参数以及结构）。特别是，概念漂移可能发生，这使得有必要忘记已经过时的知识。然而，遗忘受到稳定性-可塑性困境，即增加遗忘提高适应新数据的反应性，同时降低系统的鲁棒性。基于一组推理规则的进化模糊系统（EFS）已被证明是解决数据流学习问题的有效方法。然而，解决稳定性和可塑性的矛盾仍然是一个悬而未决的问题。本文提出了一种连贯的方法来整合遗忘的进化模糊系统，最近引入的概念漂移预期的基础上。遗忘采用两种方法：指数遗忘的前提部分和延迟方向遗忘的EFS的结论部分，以保持两部分之间的一致性。该方法的独创性在于只在预期模块中应用遗忘，并保持EFS（称为主体系统）在没有任何遗忘的情况下学习。然后，当在流中检测到漂移时，提出了一种选择机制，以用预测模块的更合适的参数来替换主系统的过时参数。在基准在线数据集上对所提出的方法进行了评估，并与最先进的在线分类器（Learn++.NSE，PENDIX，pclass）以及使用不同遗忘策略的原始系统进行了比较。
2021-01-07 cs.AI cs.LG cs.NE
Evolving Multi-Label Fuzzy Classifier
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
多标签分类在机器学习社区中引起了广泛关注，以解决同时将单个样本分配给多个类的问题。我们提出了一个不断发展的多标签模糊分类器（EFC-ML），它能够自适应和自进化的结构与新的传入的多标签样本在一个增量，单通的方式。它基于多输出Takagi-Sugeno类型架构，其中为每个类定义了单独的结果超平面。学习过程中嵌入了一个局部加权增量相关算法结合（传统）递归模糊加权最小二乘法和基于Lasso的正则化。基于相关性的部分确保了类标签之间的相互关系，这是多标签分类中用于提高性能的一个特定的众所周知的属性，被正确地保留;基于Lasso的正则化在输入数量较多的情况下减少了维数效应的灾难。先行学习是通过产品空间聚类实现的，并对所有类标签一起进行，这产生了一个单一的规则库，允许一个紧凑的知识视图。此外，我们的方法带有在线主动学习（AL）策略，用于仅在一些选定的样本上更新分类器，这反过来又使该方法适用于应用程序中几乎没有标记的流，其中注释工作通常是昂贵的。我们的方法进行了评估，从MULAN存储库的几个数据集，并显示出显着提高分类精度相比（不断发展）一对休息或分类器链接的概念。一个重要的结果是，由于在线AL方法，在大多数数据集的情况下，与完全更新相比，用于分类器更新的样本数量减少90%对累积精度趋势线的影响很小。
2022-03-29 cs.AI cs.LG
Expert PC Troubleshooter With Fuzzy-Logic And Self-Learning Support
LACSC – Lebanese Association for Computational Sciences（黎巴嫩计算科学协会（LACSC））
专家系统使用人类的知识，这些知识通常作为规则存储在计算机中，以解决通常需要人类智能的问题。在信息系统日益普及和信息技术日新月异的今天，计算机故障诊断自动化已成为一项基本的工作，因此每个企业都必须采用它.本文提出了一种用于诊断计算机故障的专家系统--专家计算机故障诊断器.该系统由用户界面、规则库、推理机和专家界面组成。此外，该系统还具有一个模糊逻辑模块，用于对POST蜂鸣音错误进行故障排除，以及一个智能代理，用于协助知识获取过程。拟议的系统旨在自动化维护，维修和操作（MRO）过程，并将人类技术人员从手动执行常规，费力和耗时的维护任务中解放出来。作为未来的工作，建议的系统是并行化，以提高其性能和加快其各种操作。
2012-04-01 cs.AI
Evolving Ensemble Fuzzy Classifier
University of Alberta（阿尔伯塔大学）；King Abdul-Aziz University（阿卜杜勒阿齐兹国王大学）；Systems Research Institute, Polish Academy of Science（波兰科学院系统研究所）；Johannes Kepler University（约翰内斯开普勒大学）；Nanyang Technological University（南洋理工大学）
集成学习的概念为复杂环境下的数据流学习提供了一条很有前途的途径，因为它比单一模型更好地解决了偏差和方差的困境，并且具有可重构的结构，非常适合于给定的上下文。虽然可以在文献中找到用于挖掘非平稳数据流的集成学习的各种扩展，但它们中的大多数都是在静态基础分类器下制作的，并在滑动窗口中重新访问先前的样本以进行再训练步骤。此功能导致计算上的禁止复杂性，并且不足以灵活地应对快速变化的环境。它们的复杂性通常是苛刻的，因为它涉及大量的离线分类器，由于缺乏结构复杂性降低机制和缺乏在线特征选择机制。提出了一种新的进化集成分类器--简约集成分类器。pENclassifier与现有体系结构的不同之处在于，它是建立在来自数据流的进化分类器之上的，称为Parsimonious Classifier pClass。pENCLINICAL配备了集成修剪机制，该机制估计基本分类器的局部化泛化误差。一个动态的在线特征选择方案被集成到pENSIDE中。此方法允许动态选择和取消选择输入要素。pENDIOR采用动态系综结构来输出最终分类决策，其中其特征在于新颖的漂移检测方案来增长系综结构。的pENESTRUCTURE的功效已通过严格的数值研究与动态和不断变化的数据流，它提供了最令人鼓舞的性能，在实现准确性和复杂性之间的权衡数字证明。
2019-12-07 cs.AI cs.LG
Predictive Maintenance for Ultrafiltration Membranes Using Explainable Similarity-Based Prognostics
Jheronimus Academy of Data Science, Eindhoven University of Technology, Eindhoven, The Netherlands（杰赫罗尼穆斯数据科学学院，埃因霍温理工大学，埃因霍温，荷兰）；School of Industrial Engineering, Eindhoven University of Technology（工业工程学院，埃因霍温理工大学）
本研究提出一种基于模糊相似性推理的可解释预测框架，用于超滤膜剩余使用寿命的预测，通过物理信息健康指数和模糊规则生成，实现高精度和可解释性。
2026-01-31 cs.AI
A Fuzzy Reinforcement LSTM-based Long-term Prediction Model for Fault Conditions in Nuclear Power Plants
Xiamen University（厦门大学）；State Nuclear Power Automation System Engineering Company（国核自仪系统工程有限公司）；Tongji University（同济大学）
提出一种结合强化学习、LSTM与专家模糊评价的预测模型，用于核电站故障早期检测与健康管理，能提前128步准确预测参数变化。
2024-11-13 cs.AI
PUFFER: Incremental Fuzzy Deduplication for Continuously Evolving Corpora
Zyphra（齐普拉）
本文提出 PUFFER 增量模糊去重算法，通过 LSH 带存储与 T-扇出分层压缩实现低内存、低成本的持续演化语料库去重，在百亿级文档场景下比同类工具快数十倍，已应用于超 300 亿文档并开源。
2026-09-01 cs.AI cs.DB
Explainable Fuzzy GNNs for Leak Detection in Water Distribution Networks
Jheronimus Academy of Data Science, Eindhoven University of Technology, Eindhoven, The Netherlands University of Bari Aldi Moro, Bari, Italy IHE Institute for Water Education, Delft, The Netherlands University of Cartagena, Cartagena, Spain School of Industrial Engineering, Eindhoven University of Technology, Eindhoven, The Netherlands
本文提出了一种结合互信息和模糊逻辑的可解释模糊图神经网络，用于供水管网泄漏检测，通过提供清晰的规则解释提升模型的可解释性与实用性。
2026-01-06 cs.AI cs.LG
An Online RFID Localization in the Manufacturing Shopfloor
Nanyang Technological University（南洋理工大学）；Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）；Singapore Institute of Manufacturing Technology（新加坡制造技术研究院）
无线射频识别技术因其便宜和易于部署而受到欢迎。在制造车间领域中，它可以用来跟踪制造对象的位置，以达到更好的效率。定位的根本挑战在于制造车间的非平稳特性，这需要一个自适应的终身学习策略，以达到准确的定位结果。本文提出了一种基于一种新的进化智能系统--进化型2型量子模糊神经网络（eT 2 QFNN）的进化模型。量子模糊集具有分级的隶属度，使更好地识别类之间的重叠。eT 2 QFNN完全在进化模式下工作，其中包括规则数量在内的所有参数都自动调整并动态生成。参数调整方案依赖于解耦扩展卡尔曼滤波器方法。我们的数值研究表明，eT 2 QFNN是能够提供相当的精度相比，国家的最先进的算法。
2019-05-29 cs.AI
An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models
Research Institute, China Unicom（中国联通研究院）；International Business School, Henan University（河南大学国际商学院）
针对模糊规则模型设计复杂、大规模数据可扩展性差的问题，提出集成融合框架，结合梯度提升与模糊规则模型优势，通过动态因子控制模型贡献并引入样本校正机制，提升了模型性能、可解释性并减轻过拟合。
2025-11-11 cs.AI cs.LG
ParaFIS:A new online fuzzy inference system based on parallel drift anticipation
Univ Rennes（雷恩大学）；CNRS（法国国家科学研究中心）；IRISA（法国信息与随机系统研究所）
本文提出了一种新的增量式模糊推理系统（EvolvingFuzzySystem-EFS）的体系结构。在非平稳环境下的数据流分类中，概念漂移问题是必须解决的。一些研究表明，EFS可以处理这样的环境，由于其高度的结构灵活性。这些EFS在平滑漂移（或增量漂移）方面表现良好。我们提出的新架构专注于改进数据分布中的残酷变化（通常称为残酷的概念漂移）的处理。更准确地说，广义EFS与预测模块配对，以改善在残酷的漂移后对新规则的适应。建议的架构进行了评估，从UCI存储库中的人工残酷的漂移已被应用的三个数据集。并提出了一个拟合模型，得到了收敛到稳态所需的反应时间和终点得分。这两个特性进行比较，在同一系统之间的预期和不与类似的EFS从国家的最先进的。实验表明，在这两种情况下的改进。
2019-07-15 cs.AI cs.LG cs.NE
A Reason Maintenace System Dealing with Vague Data
Universita di Perugia（佩鲁贾大学）
本文介绍了一种利用向东模糊逻辑扩展ATMS的推理维护系统。它支持一个问题解决者在不完整的信息和模糊的数据的情况下，允许非单调推理和修改以前的结论时，发现矛盾。
2013-03-20 cs.AI
Literature Review of the Recent Trends and Applications in various Fuzzy Rule based systems
Umeå University（于默奥大学）
本文综述了2010至2021年模糊规则系统（FRBSs）的主要扩展类型及其在大数据、不平衡数据和可解释性等方面的应用趋势，并指出未来开放研究方向。
2023-05-16 cs.AI
A Comparative Study: Adaptive Fuzzy Inference Systems for Energy Prediction in Urban Buildings
Nanyang Technological University（南洋理工大学）；Berkeley Education Alliance for Research in Singapore (BEARS)（伯克利新加坡研究教育联盟（BEARS））
本研究旨在研究不同的自适应模糊推理算法能够实时顺序学习和预测的时间序列数据。对这些算法（元认知模糊推理系统（McFIS）、顺序自适应模糊推理系统（SAFIS）和进化Takagi-Sugeno（ETS）模型）进行了简要的定性描述，全面比较了它们的工作原理，特别是讨论了它们独特的特点。这些算法，然后模拟在新加坡南洋理工大学的学术建筑之一收集的数据集。性能进行了比较，通过均方根误差（RMSE）和非破坏性误差指数（NDEI）的预测输出。分析表明，McFIS表现出良好的效果，无论是较低的均方根误差和NDEI或较低的架构复杂度比ETS和SAFIS。统计分析还揭示了这些算法的结果的意义。
2018-09-24 cs.AI cs.NE
Application of Fuzzy Logic in Design of Smart Washing Machine
National University of Sciences and Technology（国立科技大学）
本文研究了基于模糊逻辑控制器的智能洗衣机设计，通过自动化输入实现高效洗衣时间管理，提升电能利用效率和工作效能。
2017-03-15 cs.AI cs.SY eess.SY
Predictive Maintenance -- Bridging Artificial Intelligence and IoT
International Hellenic University（国际希腊大学）
本文重点介绍了使用机器学习进行预测性维护的趋势。随着第四次工业革命的不断发展，通过物联网，使用人工智能的技术正在发展。因此，各行业一直在使用这些技术来优化生产。通过为本文进行的科学研究，得出了关于使用机器学习桥接人工智能和物联网的预测性维护应用趋势的结论。这些趋势与应用预测性维护的行业类型有关，实施了人工智能模型，主要是机器学习和通过物联网应用于应用的传感器类型。报告介绍了六个部门，生产部门占主导地位，占出版物总数的54.54%。在人工智能模型中，人工神经网络、支持向量机和随机森林分别占27.84%、17.72%和13.92%。最后，出现了12类传感器，其中使用最广泛的是温度和振动传感器，分别占60.71%和46.42%。
2021-04-20 cs.AI cs.LG cs.NI
Data Stream Sampling with Fuzzy Task Boundaries and Noisy Labels
The University of Melbourne（墨尔本大学）
针对模糊任务边界与噪声标签的数据流持续学习问题，提出 NTD 采样去偏方法，在四个数据集上以更少 GPU 内存和两倍以上加速保持或提升准确率。
2024-04-07 cs.AI cs.CV cs.LG
Capturing Aerodynamic Characteristics of ATTAS Aircraft with Evolving Intelligent System
Istanbul Technical University（伊斯坦布尔理工大学）
本文提出利用进化二型量子模糊神经网络（eT2QFNN）对ATTAS飞机气动系数进行建模，通过增量学习与量子隶属函数提升鲁棒性，实验证明其优于基线方法且规则更少。
2025-04-28 cs.AI cs.SY eess.SY
Adaptive Gaussian Fuzzy Classifier for Real-Time Emotion Recognition in Computer Games
Federal University of Lavras (UFLA)（拉夫拉斯联邦大学）
人类情感识别已经成为更现实和交互式机器和计算机系统的需要。最大的挑战是高性能算法的可用性，以有效地管理生理数据流中的个体差异和非平稳性，即，为用户自定义的算法，而没有对象特定的校准数据。我们描述了一个不断发展的高斯模糊分类器（eGFC），这是支持在线半监督学习算法，以识别情绪模式从脑电图（EEG）数据流。我们提取特征的傅立叶频谱的EEG数据。这些数据是由28个玩“训练Sim World”、“Unravel”、“Slender The Arrival”和“Goat Simulator”的人提供的，这是一个公共数据集。不同的情绪占主导地位，即无聊，平静，恐怖和喜悦。我们分析了单个电极、时间窗长度和频带对用户独立eGFC准确性的影响。我们的结论是，两个大脑半球可能有助于分类，特别是在额叶（Af 3-Af 4），枕叶（O 1-O2）和颞叶（T7-T8）地区的电极。我们观察到，模式可能最终在任何频带中被发现;然而，Alpha（8- 13 Hz）、Delta（1- 4 Hz）和Theta（4-8Hz）频带按此顺序与情感类别相关性最高。eGFC已经被证明对于EEG数据的实时的【形】学习是有效的。它达到了72.2%的准确率，使用可变的规则库，10秒的窗口，和1.8ms/样本的处理时间在一个高度随机的时变4类分类问题。
2021-03-05 cs.AI cs.HC cs.LG
Cost Scales with Change, Not Corpus Size: Incrementally Maintaining an Evolving Semantic Substrate
该研究提出语义基底维护成本随变化量而非语料库规模变化，通过增量低秩更新等方法，以远低于完整重构的成本实现语义基底的高效维护，且精度满足要求。
2026-08-18 cs.AI cs.DB cs.IR
Federated Transformer: Multi-Party Vertical Federated Learning on Practical Fuzzily Linked Data
National University of Singapore（新加坡国立大学）
针对多方模糊标识符下的纵向联邦学习难题，提出 Federated Transformer 框架及融合差分隐私与安全多方计算的隐私机制，在50方场景中准确率最高提升46%。
2024-10-23 cs.AI cs.CR cs.LG
Revolutionizing System Reliability: The Role of AI in Predictive Maintenance Strategies
GWDG, Universität Göttingen（哥廷根大学GWDG）
本文全面调查了AI在计算连续体预测性维护中的应用，探讨机器学习等技术如何提升故障预测准确性和优化维护计划，为分布式系统维护的智能化发展提供见解。
2024-04-20 cs.AI cs.PF cs.SY
Evolving Large-Scale Data Stream Analytics based on Scalable PANFIS
Nanyang Technological University（南洋理工大学）；La Trobe University（乐卓博大学）
近年来，许多分布式机器学习框架被用来加速大规模数据学习过程。然而，这些框架中使用的大多数分布式机器学习仍然使用无法处理数据流问题的离线算法模型。事实上，大规模数据主要是由非平稳数据流产生的，其中其模式随时间而演变。为了解决这个问题，我们提出了一种新的进化大规模数据流分析框架的基础上，可扩展的简约网络基于模糊推理系统（可扩展的PANFIS），其中PANFIS进化算法分布在工作者节点在云中学习大规模数据流。可扩展的PANFIS框架结合了主动学习（AL）策略和两种模型融合方法。AL加速分布式学习过程以生成初始演化的大规模数据流模型（初始模型），而两种模型融合方法聚合初始模型以生成最终模型。最终的模型代表了当前大规模数据知识的更新，可用于推断未来的数据。通过测量可扩展的PANFIS和其他基于Spark的内置的算法的四种组合的准确性和运行时间，对该框架进行了广泛的实验验证。结果表明，可扩展的PANFIS与AL提高了训练时间比可扩展的PANFIS没有AL几乎快两倍。结果还表明，规则合并和投票机制产生类似的精度一般可扩展的PANFIS算法，他们一般优于基于Spark的算法。在运行时间方面，可扩展的PANFIS训练时间在分类大量基准数据集时优于所有基于Spark的算法。
2018-07-18 cs.AI cs.DB
PANFIS++: A Generalized Approach to Evolving Learning
进化智能系统（EIS）的概念为数据流挖掘提供了一条有效的途径，因为它能够处理两个突出的问题：在线学习和快速变化的环境。我们注意到现有EIS至少有三个未知领域：数据不确定性、时态系统动态性、冗余数据流。本书的章节旨在通过一种新的学习算法（即PANFIS++）的算法开发来提供这个问题的具体解决方案。PANFIS++是PANFIS的一个推广版本，提出了三个重要组成部分：1）在线主动学习的情况下，开发克服冗余数据流。该模块允许为训练过程主动选择数据流，从而加快执行时间并提高泛化性能。2）PANFIS++建立在区间2型模糊系统环境上，该环境包含所谓的不确定性足迹。这一部分为数据的不确定性提供了一定程度的容忍度。3)PANFIS++是在具有自反馈回路的循环网络架构下构建的。这是为了解决时间系统动态。PANFIS++的有效性已经通过大量的真实世界和合成案例研究进行了数值验证，它提供了最高的预测准确性，同时保持了最低的复杂性。
2017-05-06 cs.AI
Long Horizon Transformer Quantile Fault Prediction for Multi Site Industrial Predictive Maintenance
University of Hertfordshire（赫特福德大学）
本文提出TQRNN30d框架，结合双阶段QRNN特征提取器与多流时间融合分类器，在9个制造设施72台机器的测试中，其长程故障预测性能优于18个基线，验证了同构集群内的泛化能力。
2026-09-07 cs.AI
A Self-Evolving Defect Detection Framework for Industrial Photovoltaic Systems
EcoFlow Inc（EcoFlow公司）；School of Electrical Engineering, Xi’an Jiaotong University（西安交通大学电气工程学院）
本文提出SEPDD框架，通过自适应模型优化与持续自进化学习机制，解决工业光伏检测中分布偏移和新缺陷模式识别问题，实验表明其在公有和私有数据集上均表现优异。
2026-11-10 cs.AI
Position: Stop Reactively Patching Your Model Every Time and Start Proactive Test-Driven AI Development
针对现代AI系统多样用例下的维护问题，提出用主动测试驱动飞轮解决反应式飞轮的局限性，通过创建“测试空间”映射反馈数据到任务目标，经数学证明主动飞轮能以更少迭代实现更好长期扩展性。
2026-07-24 cs.AI cs.LG
MMBench-Live: A Continuously Evolving Benchmark for Multimodal Models
Beijing University of Posts and Telecommunications（北京邮电大学）；PRIS-CV
提出MMBench-Live，一个通过多智能体自动化流水线构建的持续演进多模态基准，解决静态基准的时效性、数据污染和维护成本问题，采用分布一致性更新策略，每次更新成本约30美元。
2026-07-03 cs.AI cs.CV
Long-term Task-oriented Agent: Proactive Long-term Intent Maintenance in Dynamic Environments
School of Management, University of Science and Technology of China（中国科学技术大学管理学院）；Meituan（美团）
本文提出一种主动任务导向代理，通过意图条件监控和事件触发跟进，提升动态环境中长期意图维护的能力，并通过ChronosBench验证了其有效性。
2026-01-14 cs.AI cs.CL
Provenance Guided Incremental Learning Under Evolving Concept Definitions
Mohammed Premier University（穆罕默德一世大学）
针对规则诱导的概念漂移，提出溯源引导增量学习框架，结合RuleShift-Bench基准验证，该方法仅重新处理少量历史数据即可实现高精度的概念修订修复，大幅降低更新延迟。
2026-08-26 cs.AI cs.LG
