Adaptive Algorithms for Relaxed Pareto Set Identification
Univ. Lille（里尔大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；Univ. Bordeaux（波尔多大学）；Inserm（法国国家健康与医学研究院）
针对多目标多臂赌博机中精确 Pareto 集识别样本复杂度过高的问题，提出可适配多种松弛与停止规则的 Adaptive Pareto Exploration 采样策略，并证明其复杂度收益及新冠疫苗策略探索中的有效性。
2023-11-03 cs.LG stat.ML
Adaptive Re-ranking of Deep Feature for Person Re-identification
Nanjing University（南京大学）；RMIT University（皇家墨尔本理工大学）
典型的人员重新识别（re-ID）方法训练深度CNN以提取深度特征并将它们与距离度量组合以用于最终评估。在这项工作中，我们专注于利用深层特征中编码的完整信息来提高re-ID性能。首先，我们提出了一种深度特征融合（DFF）方法来利用嵌入在深度特征中的不同信息。DFF将每个子特征作为信息载体，并采用扩散过程来交换它们的信息。其次，我们提出了一个自适应重新排名（ARR）的方法来利用编码在邻居的功能的上下文信息。ARR利用上下文信息以迭代的方式对检索结果进行重新排序。特别是，它在每次迭代后自动添加更多的上下文信息，以考虑更多的匹配。第三，我们提出了一个策略，结合DFF和ARR，以提高性能。广泛的比较评估表明，所提出的方法在三个大的基准的优越性。
2018-11-21 cs.CV cs.LG
Most Correlated Arms Identification
Princeton University（普林斯顿大学）
我们研究的问题，找到最相互关联的武器之间的许多武器。我们表明，自适应武器采样策略可以有显着的优势，非自适应均匀采样策略。我们提出的算法依赖于一种新的相关估计。使用这种精确的估计器，使我们能够得到更好的结果，为广泛的问题的情况。
2014-04-23 cs.LG stat.ML
FastBO: Fast HPO and NAS with Adaptive Fidelity Identification
The University of Western Australia（西澳大利亚大学）
本文提出FastBO多保真度贝叶斯优化方法，通过自适应识别每个配置的高效点和饱和点来确定保真度，并可将任意单保真度方法扩展到多保真度设置。
2024-09-01 cs.AI cs.CV cs.LG
Learning Instance-Adaptive Low-Rank Orthogonal Subspaces for Clothes-Changing Person Re-Identification
Dongwoo Kim（金东吾）；Tae-Kyun Kim（金泰勋）
提出Ortho-ReID方法，通过从VLM文本描述中显式建模低秩服装子空间，并利用几何约束提取服装不变特征，在多个基准数据集上取得最优性能。
2026-06-11 cs.CV cs.LG
Adaptive Decision-Making with Constraints and Dependent Losses: Performance Guarantees and Applications to Online and Nonlinear Identification
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
研究适应性决策中带约束和依赖损失的优化问题，提出实例依赖的高效算法，利用损失结构和预算约束改进遗憾界限，并在在线与非线性系统辨识任务中验证性能。
2023-04-06 cs.LG cs.SY eess.SY
Adaptive Combination of l0 LMS Adaptive Filters for Sparse System Identification in Fluctuating Noise Power
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）
最近，l0-最小均方（l0-LMS）算法已被提出来识别稀疏线性系统，通过采用稀疏促进连续函数作为l0最小均方惩罚的近似。然而，该算法的性能是敏感的一些参数负责零吸引强度的适当选择。该参数的最佳选择取决于系统中占主导地位的信噪比（SNR）。因此，很难确定该参数的合适值，特别是在SNR随时间波动的情况下。在这项工作中，我们提出了几种自适应组合不同参数的l0-LMS得到一个整体令人满意的性能独立的SNR，并讨论了一些问题，这些组合结构。我们还展示了一个有效的部分更新计划，不仅减少了每次迭代的计算次数，但也实现了一些有趣的性能增益相比，完整的更新情况。然后，我们提出了一个新的递归最小二乘（RLS）型规则更新的组合参数更有效。最后，我们将两个滤波器的组合扩展到M个自适应滤波器的组合，这表明当M > 2时，进一步改进。
2016-05-10 cs.IT cs.LG math.IT
Illumination Variation Correction Using Image Synthesis For Unsupervised Domain Adaptive Person Re-Identification
Purdue University（普渡大学）
本文提出合成模型库（SMB）结合CNN与马氏距离，利用新3D虚拟数据集生成不同光照合成图像，以校正光照变化，提升无监督域自适应行人重识别性能。
2023-11-14 cs.CV cs.LG eess.IV
Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification
Xiamen University（厦门大学）；University of Technology Sydney（悉尼科技大学）；Australian National University（澳大利亚国立大学）；Baidu Research（百度研究院）
本文考虑了领域自适应的人再识别（re-ID）问题：从标记的源域和未标记的目标域学习一个re-ID模型。传统的方法主要是减少源域和目标域之间的特征分布差距。然而，这些研究在很大程度上忽略了目标域的域内变化，这包含了影响目标域测试性能的关键因素。在这项工作中，我们全面研究了目标域的域内变化，并提出将re-ID模型推广为三种类型的潜在不变性，即，样本不变性、相机不变性和邻域不变性。为了实现这一目标，一个样本记忆被引入到存储目标域的功能，并容纳三个不变性。内存允许我们在全局训练批处理上强制执行不变性约束，而不会显着增加计算成本。实验表明，这三个不变性和所提出的记忆是一个有效的领域自适应系统必不可少的。在三个re-ID域上的结果表明，我们的领域自适应精度大大优于现有技术。代码可在：https://github.com/zhunzhong07/ECN
2019-04-03 cs.CV cs.LG
Stochastic processes and feedback-linearisation for online identification and Bayesian adaptive control of fully-actuated mechanical systems
Oxford University（牛津大学）
本文提出了一种新的方法，结合概率识别与控制，利用随机过程先验条件和拉格朗日力学结构知识，通过反馈线性化实现对完全驱动机械系统的灵活非参数贝叶斯学习。
2014-04-01 cs.LG cs.SY eess.SY
Identification of Adaptive Driving Style Preference through Implicit Inputs in SAE L2 Vehicles
San Jose State University（圣何塞州立大学）
本研究通过驾驶模拟器收集36名参与者的行为、生理和情境多模态数据，构建机器学习模型识别SAE L2车辆用户的驾驶风格偏好，并验证所有模态均对偏好识别具有重要性，为实现隐式自适应驾驶风格奠定基础。
2022-09-21 cs.HC cs.LG cs.RO
Real-time, Adaptive Radiological Anomaly Detection and Isotope Identification Using Non-negative Matrix Factorization
Nuclear Science Division at Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室核科学部）；Nevada National Security Sites, Remote Sensing Laboratory - Andrews, Joint Base Andrews（内华达国家安全站，安德伍德远程传感实验室，联合基地安德伍德）；Mission Support and Test Services, LLC（任务支持与测试服务有限公司）
针对移动探测器背景变化导致预训练模型失效的问题，提出一种能定期更新背景模型的Adaptive NMF算法，在模拟和真实数据集上保持或提升了检测性能并增强了泛化能力。
2025-09-16 cs.LG physics.app-ph
Adaptive Symmetry Discovery for Dynamical System Identification
Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院、哈佛大学）
本研究针对未知对称群等变的动力系统，提出自适应对称性发现方法，可从更短单条轨迹辨识系统，性能与已知对称性方法相当，分析依托群表示论与凯莱图性质。
2026-08-11 cs.AI cs.LG math.DS
Adaptive Sampling for Best Policy Identification in Markov Decision Processes
UMPA, ENS Lyon（里昂高等师范学校 UMPA）；KTH, Royal Institute of Technology（瑞典皇家理工学院）
我们研究了折扣马尔可夫决策过程（MDP）的最佳策略识别问题时，学习者有机会获得一个生成模型。我们的目标是设计一个学习算法返回的最佳政策，尽可能早。我们首先推导出一个特定于问题的样本复杂度的下界满足任何学习算法。这个下限对应于一个最佳的样本分配，解决了一个非凸的程序，因此，很难利用在设计有效的算法。然后，我们提供了一个简单的和严格的样本复杂度下限的上限，其相应的接近最优的样本分配变得明确。上界取决于MDP的特定泛函，例如次优间隙和下一状态值函数的方差，从而真正捕获MDP的硬度。最后，我们设计KLB-TS（KL球跟踪和停止），跟踪这个接近最优的分配算法，并提供渐近保证其样本复杂性（几乎肯定和预期）。KLB-TS对国家的最先进的算法的优势进行了讨论和数值说明。
2021-05-10 cs.LG stat.ML
Finite-time System Identification and Adaptive Control in Autoregressive Exogenous Systems
California Institute of Technology（加州理工学院）；Purdue University（普渡大学）
自回归外生（ARX）系统是一类输入输出动态系统，用于建模随机线性动态系统（LDS），包括部分可观测的LDS，如LQG系统。本文研究了一类未知ARX系统的系统辨识和自适应控制问题。我们提供有限时间学习保证的ARX系统下的开环和闭环数据汇集。利用这些保证，我们设计了具有任意强凸或凸二次调节成本的未知ARX系统的自适应控制算法。在强凸代价函数下，我们设计了一种基于在线梯度下降的自适应控制算法来设计和更新通过凸控制器重新参数化构造的控制器。我们表明，我们的算法有$\tilde{\mathcal{O}}(\sqrt{T})$遗憾通过探索和提交的方法，如果模型估计更新的时代使用闭环数据汇集，它达到最佳的遗憾$\text{polylog}(T)$后，$T$的时间步长的相互作用。对于凸二次型代价函数的情形，我们提出了一种自适应控制算法，利用不确定性乐观原理设计控制器。在这种情况下，我们发现，探索和提交的方法有一个遗憾的$\tilde{\mathcal{O}}(T^{2/3})$上限，自适应控制与连续的模型估计更新达到$\tilde{\mathcal{O}}(\sqrt{T})$遗憾后，$T$时间步长。
2021-08-26 cs.LG cs.SY eess.SY
Sparse Kalman Identification for Partially Observable Systems via Adaptive Bayesian Learning
School of Astronautics（航天学院）
本文提出一种基于自适应贝叶斯学习的在线稀疏卡尔曼识别方法，用于部分可观测系统的高效模型识别与结构选择。
2025-11-22 cs.LG cs.SY eess.SY
Optimizing Adaptive Experiments: A Unified Approach to Regret Minimization and Best-Arm Identification
Columbia University（哥伦比亚大学）
本文提出统一模型，同时优化自适应实验中的实验中表现与实验后结果，证明适当调整单一标量参数即可使 top-two Thompson sampling 等算法优化广泛目标，并在对遗憾影响极小的情况下大幅缩短实验持续时间。
2024-07-30 cs.LG econ.EM stat.ML
Complex-valued Adaptive System Identification via Low-Rank Tensor Decomposition
Johannes Kepler University（约翰内斯·开普勒大学）
针对原基于张量的系统辨识框架仅能处理实值问题的局限，本文提出两种新架构以支持复值信号处理，在仅需少量计算开销下即超越原始架构的平凡复值扩展性能。
2023-06-28 cs.LG math.ST stat.TH
Covariance Adaptive Best Arm Identification
Laboratoire des Signaux et Systèmes, CentraleSupéléc, Université Paris-Saclay（巴黎萨克雷大学中央高等电子学院信号与系统实验室）；Laboratoire de mathématiques d’Orsay, Université Paris-Saclay（巴黎萨克雷大学奥赛数学实验室）；INRAE（法国国家农业食品与环境研究院）；Institut Agro（农业学院）；Univ Montpellier（蒙彼利埃大学）
针对多臂老虎机最佳臂识别问题，提出协方差自适应算法，利用臂间依赖关系提高识别效率，并给出理论保证与下界。
2023-12-20 cs.LG stat.ML
Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）
针对确证性临床试验中识别治疗获益患者亚群的问题，本文引入自适应与在线机器学习思想，提出 AdaGGI 和 AdaGCPI 两种元算法，并通过多场景模拟评估其优劣。
2023-06-05 cs.LG stat.ML
Adaptive Meta-Learning for Identification of Rover-Terrain Dynamics
Stanford University（斯坦福大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
本文提出一种基于元学习与贝叶斯回归（P-ALPaCA）的自适应方法，通过正则化促进特征正交，实现对火星车-地形动力学参数的可解释概率预测。
2020-09-21 cs.LG cs.RO
FIESTA: Fast IdEntification of State-of-The-Art models using adaptive bandit algorithms
Lancaster University（兰卡斯特大学）
我们提出了FIESTA，模型选择方法，显着减少了所需的计算资源，可靠地确定国家的最先进的性能，从大量的候选模型。尽管已知会产生不可靠的比较，但基于随机种子的单一选择来比较模型评估仍然是常见的做法。我们表明，可靠的模型选择也需要基于多个训练测试分割的评估（与许多共享任务中的常见做法相反）。使用统计学文献中的强盗理论，我们能够自适应地确定用于评估每个模型的数据分割和随机种子的适当数量，将计算资源集中在有希望的模型的评估上，同时避免浪费对性能较低的模型的评估。此外，我们用户友好的Python实现可以为正确选择最佳模型提供信心保证。我们评估我们的算法之间选择8个目标相关的情感分析方法使用显着更少的模型评估比目前的模型选择方法。
2019-06-28 cs.CL cs.LG stat.ML
Asymptotically efficient adaptive identification under saturated output observation
KTH Royal Institute of Technology（KTH皇家理工学院）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
本文研究饱和输出观测下随机系统的渐近有效辨识问题，提出一种基于两步设计的自适应牛顿型算法，在一般激励条件下证明了估计的强相合性与渐近正态性，并渐近达到 Cramer-Rao 界。
2025-04-04 cs.LG cs.SY eess.SY
Identification and Adaptive Control of Markov Jump Systems: Sample Complexity and Regret Bounds
针对未知时变Markov跳变线性系统，论文提出基于单轨迹辨识与确定性等价控制的回合式自适应方案，证明其样本复杂度及 O(√T) 遗憾，并在部分已知条件下改进至 O(polylog(T))。
2025-10-20 cs.LG cs.SY eess.SY
Mind Your Clever Neighbours: Unsupervised Person Re-identification via Adaptive Clustering Relationship Modeling
无监督人再识别（Re-ID）由于其解决有监督Re-ID模型可扩展性问题的潜力而受到越来越多的关注。大多数现有的无监督方法采用迭代聚类机制，其中网络基于无监督聚类生成的伪标签进行训练。然而，聚类错误是不可避免的。为了生成高质量的伪标签并减轻聚类错误的影响，我们提出了一种新的无监督人Re-ID聚类关系建模框架。具体来说，在聚类之前，基于图相关学习（GCL）模块探索未标记图像之间的关系，然后将改进的特征用于聚类以生成高质量的伪标签。因此，GCL自适应地挖掘小批量样本之间的关系，以减少训练时异常聚类的影响。为了更有效地训练网络，我们进一步提出了一种选择性对比学习（SCL）方法与选择性存储体更新政策。大量的实验表明，我们的方法在Market 1501，DukeMTMC-reID和MSMT 17数据集上显示出比大多数最先进的无监督方法更好的结果。我们将发布模型复制的代码。
2021-12-08 cs.AI cs.CV cs.IR
AMR: Adaptive Modality Routing for Multimodal Polyglot Speaker Identification
Honor Device Co., Ltd（Honor设备有限公司）
针对多模态说话人识别中模态缺失和语言不匹配问题，提出自适应模态路由（AMR）模块，动态评估输入质量并融合音频和面部特征，在POLY-SIM 2026评测集上平均准确率达99.07%。
2026-06-28 cs.AI cs.LG cs.SD
