Deep Reinforcement Learning for Collaborative Edge Computing in Vehicular Networks
University of Waterloo（滑铁卢大学）；Ryerson University（瑞尔森大学）
移动边缘计算（MEC）是一种支持关键任务车辆应用（如智能路径规划和安全应用）的有前途的技术。本文提出了一种协作式边缘计算框架，以降低车载网络的计算服务延迟，提高服务可靠性。首先，提出了一种任务划分和调度算法（TPSA），以决定工作负载分配和调度的任务卸载到边缘服务器给定的计算卸载策略的执行顺序。其次，基于人工智能（AI）的协同计算方法的开发，以确定任务卸载，计算和结果交付政策的车辆。具体地，卸载和计算问题被公式化为马尔可夫决策过程。一种深度强化学习技术，即采用深度确定性策略梯度法求解复杂城市交通网络的最优解。该方法通过优化工作负载分配和服务器选择，使计算服务延迟和服务失败惩罚等服务成本最小化.仿真结果表明，提出的基于人工智能的协同计算方法能够适应高度动态的环境，具有优异的性能。
2020-10-05 cs.LG cs.SY eess.SY
Artificial Intelligence-driven Intelligent Wearable Systems: A full-stack Integration from Material Design to Personalized Interaction
The second hospital of Jilin University（吉林大学第二医院）；QMUL Digital Environment Research Institute（QMUL数字环境研究机构）；UCL Institute Of Health Informatics（UCL健康信息学研究所）
针对传统智能可穿戴设备依赖经验材料设计与基础信号处理的局限，本文提出HSHI全栈集成框架，融合多模态感知、边云协同、AI优化与闭环机制，推动健康管理向主动个性化协同演进。
2025-11-17 cs.AI
OPEB: Open Physical Environment Benchmark for Artificial Intelligence
University of California, Irvine（加利福尼亚大学欧文分校）；University of South Florida（南佛罗里达大学）
解决连续控制任务的人工智能方法近年来取得了重大进展。然而，这些算法具有重要的局限性，并且仍然需要显著的改进才能用于工业和现实世界的应用。这意味着该领域仍处于积极的研究阶段。为了涉及大量的研究小组，需要标准的基准来评估和比较所提出的算法。在本文中，我们提出了一个物理环境基准框架，以促进在这一领域的合作研究，使不同的研究小组，以整合他们的设计基准在一个统一的基于云的存储库，并通过云共享他们的实际实施基准。我们证明了所提出的框架，使用经典的山地车的例子的实际执行，并提出使用强化学习算法得到的结果。
2017-07-04 cs.AI
Multiagent Reinforcement Learning with Neighbor Action Estimation
School of Engineering, University of Newcastle（新castle大学工程学院）；School of Automation, Central South University（中南大学自动化学院）
本文提出基于邻居动作估计的多智能体强化学习框架，通过轻量级模块实现无需显式动作共享的协作策略学习，提升现实机器人系统的鲁棒性和部署可行性。
2026-01-08 cs.LG cs.RO
Improving Grounded Language Understanding in a Collaborative Environment by Interacting with Agents Through Help Feedback
Purdue University（普渡大学）；Universidad Nacional de Córdoba（科尔多瓦国立大学）；Microsoft（微软公司）
本研究通过IGLU竞赛中的交互式基础语言理解任务，探索人类提供多种帮助反馈以引导AI智能体，并分析其影响，从而提升AI在协作环境中的表现。
2024-02-05 cs.AI cs.CL
Ask the Expert: Collaborative Inference for Vision Transformers with Near-Edge Accelerators
CEMSE Division, King Abdullah University of Science and Technology（卡塔尔科学与技术大学CEMSE分校）
本文提出一种协作推理框架，通过边缘设备和近边缘加速器协同工作，提升视觉变换器在边缘计算中的性能与效率。
2026-02-11 cs.CV cs.DC cs.LG
Accelerating Multi-Objective Collaborative Optimization of Doped Thermoelectric Materials via Artificial Intelligence
The Institute of Technological Sciences, Wuhan University（武汉大学技术科学学院）；School of Physics and Technology, Wuhan University（武汉大学物理科学与技术学院）
本文提出深度学习模型与多目标遗传算法耦合框架，从化学式直接预测掺杂热电材料性能并高效搜索组成空间，实验发现中温区高zT新材料。
2025-04-11 cond-mat.mtrl-sci cs.AI cs.LG
Explainable AI does not provide the explanations end-users are asking for
Arca Blanca Ltd.（阿尔卡布兰卡有限公司）
可解释的人工智能（XAI）技术经常被许多AI系统中的用户所需要，其目标是理解复杂模型及其相关预测并获得信任。虽然适用于开发过程中的某些特定任务，但组织采用它们来增强对机器学习系统的信任会产生意想不到的后果。在本文中，我们讨论了XAI在部署方面的局限性，并得出结论，透明度和严格的验证更适合在AI系统中获得信任。
2023-03-21 cs.AI cs.HC cs.LG
Collaborative Training of Medical Artificial Intelligence Models with non-uniform Labels
University Hospital RWTH Aachen（亚琛工业大学附属医院）；Technical University Dresden（德累斯顿工业大学）；University of Leeds（利兹大学）；University Hospital Heidelberg（海德堡大学附属医院）
本文提出灵活联邦学习（FFL），解决多机构医学影像标签异构时的协作训练难题，并在695,000张胸部X光片上验证其相比传统联邦学习能显著提升模型性能。
2023-04-13 cs.AI cs.LG eess.IV
When and What to Ask Through World States and Text Instructions: IGLU NLP Challenge Solution
University College London（伦敦大学学院）
针对协作建造中的歧义问题，提出分类与排序方法，分别决定何时提问及选择澄清问题，在NeurIPS 2022 NLP任务中取得F1 0.757和MRR约0.38的成绩。
2023-05-09 cs.AI cs.CL cs.LG
LookALike: Human Mimicry based collaborative decision making
University Of Houston（休斯顿大学）
提出LookALike方法，通过知识蒸馏实现LLM智能体间实时人类角色扮演，无需存储数据或预训练，在模拟现实任务中优于最先进方法。
2024-03-16 cs.AI cs.HC cs.LG
Emergent Specialization in Populations of Self-Supervised Collaborative Vision Experts Without a Shared Gate or Cross-Agent Gradients
University of Bern（伯尔尼大学）
该研究证明，在没有共享门控或跨智能体梯度的条件下，自监督协作视觉专家群体可通过局部路由和无梯度通信涌现出有用的特化分工，提升性能并超越单一通才模型。
2026-09-30 cs.AI cs.CV cs.LG
Edge-Assisted Collaborative Fine-Tuning for Multi-User Personalized Artificial Intelligence Generated Content (AIGC)
针对多用户边缘AIGC中隐私与效率问题，提出基于LoRA和聚类的层次化联邦聚合框架，实现个性化与全局模型协同训练，加速收敛并保障隐私。
2025-08-06 cs.LG
Shaping the Narrative Arc: An Information-Theoretic Approach to Collaborative Dialogue
University of Alberta（阿尔伯塔大学）；Google Brain（谷歌大脑）；Google Translate（谷歌翻译）
我们考虑的问题，设计一个人工智能体能够与人类互动的协作对话，以产生创造性的，引人入胜的叙述。在这个任务中，目标是建立宇宙细节，并通过一系列自然对话交流，在该宇宙中合作一个有趣的故事。我们的模型可以增强任何概率会话代理，允许它推理建立的宇宙信息和潜在的下一个话语可能会揭示。理想情况下，对于每一次发言，代理人都会透露足够的信息来增加特异性并减少歧义，而不会限制对话。我们的经验表明，我们的模型允许控制代理揭示信息的速率，这样做可以显着提高预测电影中下一行对话的准确性。我们关闭一个案例研究与四个专业的戏剧表演者，谁喜欢与我们的模型增强代理的非增强代理的互动。
2019-01-31 cs.AI cs.CL cs.HC
ASK-NN: An Asymmetric Nearest-Neighbor Test that detects Distribution Drifts in Natural Language
研究自然语言中分布漂移检测问题，提出基于有向k近邻图的非对称双样本测试ASK-NN，其计算高效易实现，在合成基准、人工文本及LLM幻觉检测方面与核和图基线相比具有竞争力。
2026-07-20 cs.LG stat.ML
Biological connectomes as a representation for the architecture of artificial neural networks
George Mason University（乔治梅森大学）；University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
神经科学的巨大努力正致力于绘制许多新物种的连接体，包括即将完成的黑腹果蝇。重要的是要问这些模型是否能使人工智能受益。在这项工作中，我们提出了两个基本问题：（1）生物连接体何时何地可以在机器学习中使用，（2）哪些设计原则是提取连接体的良好表示所必需的。为此，我们翻译的C。线虫进入人工神经网络在不同层次的生物物理现实主义和评估结果的运动和非运动的行为任务训练这些网络。我们证明，生物物理现实主义不需要坚持使用生物电路的优势。我们还建立，即使不保留确切的布线图，建筑统计数据提供了一个有价值的先验。最后，我们表明，而C。Elegans运动回路在运动问题上提供了一个强大的归纳偏差，它的结构可能会阻碍与运动无关的任务的执行，如视觉分类问题。
2022-10-05 cs.AI cs.LG cs.NE
The Linguistic Blind Spot of Value-Aligned Agency, Natural and Artificial
Dalhousie University（达尔豪斯大学）
人工智能（AI）的价值对齐问题是问我们如何确保“价值观”（即，目标函数）与人类的价值观相一致。在本文中，我认为，语言交流（自然语言）是一个必要条件，强大的价值对齐。我讨论了这一主张的真实性对试图确保人工智能系统价值对齐的研究项目的影响;或者，更崇高地说，设计强大的有益或道德的人工代理。
2022-07-02 cs.AI cs.CL cs.CY
Towards Effective Human-AI Teams: The Case of Collaborative Packing
Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院）；University of Washington（华盛顿大学）
我们专注于设计一个人工智能（AI），能够帮助人类用户完成任务的问题。我们的目标是引导人类用户实现最佳的任务性能，同时保持尽可能低的认知负荷。我们的观点是，这样做需要了解人类对手头任务领域的决策。在这项工作中，我们考虑域的协作包装，其中一个人工智能智能体提供放置建议给人类用户。作为第一步，我们探索人类包装策略的机制。我们进行了一项用户研究，其中100名人类参与者在虚拟环境中完成了一系列包装任务。我们分析了它们的打包策略，发现了空间和时间模式，比如人类倾向于先把较大的物品放在角落里。我们希望，让人工智能体理解这种时空结构将能够改善辅助，这将反映在人工智能的任务性能和人类感知中。正在进行的工作包括开发一个框架，该框架结合了提取的见解，以预测和操纵人类决策，使其朝着低认知负荷和高效率的有效轨道发展。一项后续研究将根据一套基线评估我们的框架，其中包括各种援助战略。我们的最终目标是在自主机器人机械手上部署和评估我们的框架，积极协助用户完成包装任务。
2019-11-03 cs.HC cs.LG cs.RO
Collaborative Storytelling with Large-scale Neural Language Models
Honda Research Institute Japan（本田日本研究院）；OrientExpress Technologies Inc.（东方快车技术公司）
讲故事在人类社交和娱乐中扮演着核心角色。然而，许多关于自动故事生成的研究都假设故事将由代理生成，而无需任何人类交互。在本文中，我们介绍了协作讲故事的任务，其中一个人工智能代理和一个人合作，创造一个独特的故事，轮流添加到it.We提出了一个协作讲故事的系统，它与一个人类讲故事的人创建一个故事的基础上产生新的话语到目前为止。我们构建了一个讲故事的系统，通过调整一个公开的大规模语言模型上的写作提示和他们的陪同虚构作品的数据集。我们确定产生足够的人性化的话语是一个重要的技术问题，并提出了一个样本和排名的方法来提高话语质量。定量评估表明，我们的方法优于基线，我们提出了我们的系统的能力的定性评价。
2020-11-20 cs.AI cs.CL cs.LG
Algorithms are not neutral: Bias in collaborative filtering
Queen’s University（女王大学）
关于算法偏见的讨论往往集中在数据或构建算法的人有偏差的例子上。这给人的印象是，干净的数据和良好的意图可以消除偏见。著名的人工智能研究人员为算法本身的中立性辩护。然而，算法不是中立的。除了有偏见的数据和有偏见的算法制定者之外，AI算法本身也会有偏见。这是说明与协同过滤的例子，这是众所周知的受欢迎程度，和偏见。迭代信息过滤算法通常在从用户对算法推荐的文档的响应中学习的过程中产生选择偏差。这些不仅仅是统计意义上的偏见;这些统计偏见可能导致歧视性结果。人类数据分布边缘的数据点往往对应于边缘化人群。大众化和偏见会使已经边缘化的人进一步边缘化。考虑到算法决策的普遍性，这种偏见的来源值得认真关注。
2021-05-03 cs.CY cs.LG
A New Vision of Collaborative Active Learning
University of Kassel（卡塞尔大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）；University of Kaiserslautern（凯泽斯劳滕大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
主动学习（AL）是一种学习范例，其中主动学习者必须训练模型（例如，分类器），其原则上以监督的方式训练，但在AL中，它必须借助于具有初始未标记样本的数据集来完成。为了获得这些样本的标签，主动学习者必须询问oracle（例如，人类专家）用于标签。目标是最大化模型的性能，同时最小化查询的数量。在这篇文章中，我们首先简要地讨论了该领域的艺术和自己的，初步的工作状态。然后，我们提出了合作的主动学习（CAL）的概念。通过CAL，我们将克服当前AL的一些苛刻限制。特别是，我们设想了专家可能因各种原因而错误的情况，可能有几个甚至许多具有不同专业知识的专家，专家不仅可以标记样本，还可以标记更高级别的知识，如规则，我们认为标记成本取决于许多条件。此外，在CAL过程中，人类专家也将通过提高自己的知识而受益。
2015-12-22 cs.LG stat.ML
Collaborative Prediction: To Join or To Disjoin Datasets
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；University of Science and Technology of China（中国科学技术大学）；Imperial College London（伦敦帝国理工学院）
针对数据集选择以降低预测模型总体损失的问题，研究了多源数据集有效合并的时机，提出一种带理论保障的实用算法，经实验验证其在多种场景下均有效。
2025-06-12 cs.LG stat.ML
