Improving multivariate Horner schemes with Monte Carlo tree search
Nikhef（荷兰国家亚原子物理研究所）；Tilburg University（蒂尔堡大学）
优化多项式求值的代价是计算机科学中的经典问题。对于一个变量的多项式，霍纳的方法提供了一个产生计算效率高的形式的方案。对于多元多项式，可以推广霍纳的方法，但这在变量的顺序上留下了自由。传统上，使用贪婪方案，如最常见的变量优先。这个简单的教科书算法给出了非常有效的结果。事实证明，找到更好的算法是困难的。在试图改进贪婪方案时，我们已经实现了蒙特卡罗树搜索，这是人工智能领域的一种最近的搜索方法。这会产生更好的霍纳方案，并降低计算多项式的成本，有时高达两倍。
2012-07-30 cs.AI cs.SC math-ph
How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope
Harvard Business School（哈佛商学院）；Perplexity AI
基于Perplexity产品数据，研究发现AI代理通过端到端任务执行，将自主工作时间从33秒提升至26分钟，完成时间缩短87%，成本降低94%，并扩展了工作范围与认知层次。
2026-06-12 cs.AI econ.GN q-fin.EC
From Language Models to Practical Self-Improving Computer Agents
New York University（纽约大学）
本文提出一种让LLM智能体通过生成工具自我增强的方法，仅从终端访问开始，即可执行多种真实计算机任务并自我改进。
2024-04-18 cs.AI
Deliberative Searcher: Improving LLM Reliability via Reinforcement Learning with constraints
Fudan University（复旦大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出反思搜索器框架，结合置信度校准与基于检索的搜索，通过强化学习优化准确性，提升模型输出的可靠性。
2026-04-17 cs.AI
Improving Local Search for Fuzzy Scheduling Problems
University of Nottingham（诺丁汉大学）；Sherwood Press Ltd（舍伍德出版社）
模糊集理论和模糊逻辑集成到调度中是一个相当新的方面，对制造业的应用越来越重要，导致各种未解决的方面。在本文中，我们研究了一种改进的局部搜索技术的模糊调度问题的适应高原，使用多标准制定的问题。我们特别解决的问题，随着时间的推移，在舍伍德出版社有限公司，诺丁汉的印刷公司，谁是该项目的合作者研究工作的优先事项。
2008-09-03 cs.AI
Learned Belief Search: Efficiently Improving Policies in Partially Observable Settings
Facebook AI Research（脸书人工智能研究院）
搜索是在单智能体和多智能体环境中计算有效策略的重要工具，并且对于在几个基准完全和部分可观察游戏中实现超人性能至关重要。然而，部分可观察环境的先验搜索方法的一个主要限制是，计算成本与隐藏信息的量的比例很差。在本文中，我们提出了\emph{Learned Belief Search}（LBS），一个计算效率高的搜索过程的部分可观察的环境。LBS不是保持精确的信念分布，而是使用近似的自回归反事实信念，作为监督任务学习。在多代理环境中，LBS使用一种新的公共-私有模型架构来处理底层策略，以便在部署期间有效地评估这些策略。在Hanabi的基准域中，LBS可以获得精确搜索的55% ~ 91%的好处，同时将计算需求减少$35.8 \times$ ~ $4.6 \times$，使其能够扩展到以前搜索方法无法访问的更大设置。
2021-06-16 cs.AI
Solving Highly Constrained Search Problems with Quantum Computers
Xerox Palo Alto Research Center（施乐帕洛阿尔托研究中心）
将一种单步的求解1-SAT问题的量子搜索算法推广到一系列高约束的k-SAT问题。我们确定了一个约束条件的可满足性问题，广义算法可以找到一个解决方案，在一个常数的步骤，作为变量的数量增加的条款的数量。这种性能与最好的经典算法所需的步骤数的线性增长以及忽略问题结构的经典和量子方法所需的指数增长形成对比。在某些情况下，该算法还可以保证无法解决的问题实际上没有解决方案，这与以前提出的量子搜索算法不同。
2011-05-27 cs.AI
Improving the Scalability of Optimal Bayesian Network Learning with External-Memory Frontier Breadth-First Branch and Bound Search
Mississippi State University（密西西比州立大学）
以前的工作表明，学习贝叶斯网络的最佳结构的问题可以用公式表示为图中的最短路径查找问题，并使用A* 搜索来解决。在本文中，我们提高了这种方法的可扩展性，通过开发一个内存有效的启发式搜索算法学习的贝叶斯网络的结构。而不是使用A*，我们提出了一个边界宽度优先的分支和边界搜索，利用这个问题的搜索图的分层结构，使不超过两层的图形，加上解决方案的重建信息，需要存储在内存中的时间。为了进一步提高可扩展性，该算法将大部分图存储在外部存储器中，例如硬盘，当它不适合RAM时。实验结果表明，所得到的算法解决了显着更大的问题比目前的最先进的。
2012-02-14 cs.AI
On Improving Local Search for Unsatisfiability
IST/INESC-ID（里斯本高等技术学院/葡萄牙国家系统与计算机工程研究所-ID分院）；Technical University of Lisbon（里斯本技术大学）；Cork Constraint Computation Centre（科克约束计算中心）
随机局部搜索（SLS）在过去的几年里一直是一个活跃的研究领域，新的技术和程序正在以惊人的速度发展。SLS传统上与可满足性求解相关联，即为给定的问题实例找到解决方案，因为其内在本质并不解决不可满足的问题。因此，通常使用回溯搜索求解器来解决不可满足的实例。出于这个原因，在90年代后期，Selman，Kautz和McAllester提出了一个挑战，使用局部搜索来证明不可满足性。最近，两个SLS解算器- Ranger和Gunsat -已经开发出来，尽管是SLS解算器，但它们能够证明不可满足性。在本文中，我们首先比较游侠与Gunsat，然后提出提高游侠的性能，使用Gunsat的一些技术，即单位传播前瞻和扩展分辨率。
2009-10-07 cs.AI
Improving Math Reasoning through Value-guided Informative Search
Amazon（亚马逊）；Texas A&M University（德克萨斯A&M大学）
提出APIVIS框架，将有限预算Gumbel搜索适配至分块级数学推理，通过价值引导选择与选择性监督改进RLVR训练，在多个基准上显著优于现有搜索方法。
2026-10-02 cs.AI
Improving Search with Supervised Learning in Trick-Based Card Games
University of Alberta（阿尔伯塔大学）
在纸牌游戏中，状态采样和评估的两步过程被广泛用于近似移动值。虽然评估组件至关重要，但移动值估计的准确性也从根本上与抽样分布与真实分布的对应程度有关。尽管如此，最近在纸牌游戏AI方面的工作主要集中在改进评估算法上，而在改进采样方面的工作有限。在本文中，我们专注于采样对球员的实力的影响，并提出了一种新的方法，采样更现实的状态移动历史。特别是，我们使用深度神经网络对单个卡片的位置进行预测-这种技术与完美信息蒙特卡罗（PIMC）搜索结合使用，在流行的Skat纸牌游戏中提供了纸牌游戏强度的大幅增加。
2019-03-22 cs.AI
Justifying and Improving Meta-Agent Conflict-Based Search
基于元Agent的搜索算法MA-CBS是近年来提出的一种多Agent路径搜索算法。该算法是基于Agent的搜索算法CBS的一个扩展，当Agent之间的冲突超过一定阈值时，CBS算法自动将冲突Agent合并为元Agent。然而，合并代理的决定是根据经验选择的冲突数量的固定阈值做出的。最佳阈值取决于域和代理的数量，并且依赖性的性质还不清楚。我们根据对模型问题的分析，提出了使用冲突数量固定阈值的理由。根据建议的理由，我们引入新的决策政策的MA-CBS算法，大大提高了算法的性能。改进的算法的变体进行评估的几组问题，选择强调不同方面的算法。
2014-10-23 cs.AI
Cheater's Bowl: Human vs. Computer Search Strategies for Open-Domain Question Answering
Tsinghua University（清华大学）；University of Maryland（马里兰大学）
对于人类和计算机来说，回答开放域问题的第一步是从大型语料库中检索一组相关文档。然而，计算机使用的策略与人类的策略根本不同。为了更好地理解这些差异，我们为数据汇集设计了一个游戏化的界面--作弊者的碗--在这里，一个人可以通过传统和现代的搜索工具来回答复杂的问题。我们收集了人类搜索会话的数据集，分析了人类的搜索策略，并将其与最先进的多跳QA模型进行了比较。人类逻辑地查询，应用动态搜索链，并使用世界知识来促进搜索。我们展示了人类查询如何提高现有系统的准确性，并提出了改善未来的QA模型设计。
2022-11-15 cs.AI cs.CL
Improving MUC extraction thanks to local search
CRIL Université d’Artois & CNRS, UMR 8188（阿尔图瓦大学CRIL实验室暨法国国家科学研究中心8188联合研究单位）
从不可满足约束网络中提取MUCs（MinimalUnsatisfiableCores）是一个非常有用的过程，它可以帮助我们了解网络不可满足的原因，从而使网络可以被重新设计和放松，使其变得可满足。尽管有糟糕的最坏情况计算复杂性结果，但已经提出了对于许多现实生活实例似乎易于处理的各种MUC发现方法。其中许多是基于所谓的过渡约束的连续识别。在这方面，我们展示了如何本地搜索可以用来提取额外的过渡约束在每个主要的迭代步骤。该方法优于基于从SAT相关技术导入的模型旋转形式的技术，并且还表现出额外的transi- tion约束。我们广泛的计算实验表明，这种增强也提高了最先进的DC（WCORE）类MUC提取器的性能。
2013-07-12 cs.AI
LinTree: Improving LLM Reasoning with Explicitly Structured Search Histories
National University of Singapore（新加坡国立大学）；University of Oxford（牛津大学）
针对LLM推理中隐式搜索树导致性能不佳的问题，提出LinTree方法，通过添加父指针显式表示线性化树结构，在Blocks World、网格导航和Sokoban任务中提升了任务性能和搜索效率。
2026-05-29 cs.AI
Some Practice for Improving the Search Results of E-commerce
Purdue University（普渡大学）；Tsinghua University（清华大学）
在Amazon KDD Cup 2022中，我们的目标是应用自然语言处理方法来提高搜索结果的质量，从而显著增强用户体验和与电子商业搜索引擎的互动。我们讨论我们的实际解决方案，在任务一中排名第六，在任务二中排名第二，在任务三中排名第二。该代码可在https://github.com/wufanyou/KDD-Cup-2022-Amazon上获得。
2022-07-30 cs.AI cs.IR
Improving Computer Generated Dialog with Auxiliary Loss Functions and Custom Evaluation Metrics
Haverford College（哈弗福德学院）
虽然人们有能力不费吹灰之力地进行乏味的对话，但这可能不是人类独有的特征。自20世纪60年代以来，研究人员一直试图创造能够产生人工对话的代理。这些程序通常被称为聊天机器人。随着越来越多地使用神经网络进行对话生成，一些人得出结论，这一目标已经实现。本研究通过创建一个生成递归神经网络（RNN）的对话框，并通过使用辅助损失函数和束搜索来增强该网络的能力，从而加入了这一探索。我们的自定义损失函数通过包括最大互信息（MMI）和熵的计算来实现更好的内聚性和一致性。我们证明了这个系统的有效性，通过使用一组自定义的评估指标的启发，丰富的以前的研究和可靠的原则的自然语言处理的基础上。
2021-06-04 cs.AI cs.CL
Improving Deep Policy Gradients with Value Function Search
Khoury College of Computer Sciences（库里计算机学院）；Northeastern University（东北大学）
深度策略梯度（PG）算法采用价值网络来驱动参数化策略的学习并减少梯度估计的方差。然而，价值函数近似会陷入局部最优，难以拟合实际收益，从而限制了方差降低的功效，并导致策略的次优性能。本文重点介绍了改进值近似和分析对Deep PG基元的影响，例如值预测，方差减少以及梯度估计与真实梯度的相关性。为此，我们引入了一个价值函数搜索，采用人口的扰动值网络搜索一个更好的近似。我们的框架不需要额外的环境交互，梯度计算，或合奏，提供了一个计算成本低廉的方法来增强监督学习任务上的价值网络训练。至关重要的是，我们表明，改善深度PG原语的结果提高了样本效率和政策，使用共同的连续控制基准域的回报更高。
2023-02-20 cs.AI cs.LG
Improving image watermarking based on Tabu search by Chaos
随着通信技术和多媒体技术的飞速发展，多媒体产品的所有者的权利容易受到未经授权的拷贝的侵害，而水印技术是证明产品所有权的最常用的方法之一。本文利用混沌理论对以往的基于禁忌搜索的水印算法进行了改进。对水印的置乱步骤和禁忌搜索算法的初始种群生成进行了改进。我们分析了我们的方法对一些著名的图像和实验结果表明，所提出的水印方法的质量和速度的改善。
2015-09-16 cs.AI cs.MM
EliteTable: Self-Improving Program Search for Executable Control Policies
Casa Dilauro Independent Research（Casa Dilauro独立研究机构）
EliteTable是LLM引导的自改进程序搜索算法，在多数Gymnasium控制任务中可提升性能，部分任务增益可转移，仍需对比消融实验明确其相对表现。
2026-10-12 cs.AI cs.NE
Improving the Search by Encoding Multiple Solutions in a Chromosome
Babeş Bolyai University（巴贝什-波雅依大学）
我们研究了在单个染色体中编码问题的多个解决方案的可能性。编码在个体中的最佳解决方案将代表该个体（将提供该个体的适应性）。为了获得一些益处，染色体解码过程必须具有与染色体中的单个解的情况相同的复杂度。为此，分析了三种遗传编程技术：多表达式编程、线性遗传编程和中缀形式遗传编程。数值实验表明，在一个染色体中编码多个解决方案，大大提高了搜索过程。
2021-10-13 cs.AI cs.NE
An Empirical Study on Learning and Improving the Search Objective for Unsupervised Paraphrasing
University of Alberta（阿尔伯塔大学）
近年来，无监督文本生成的研究越来越受到关注。最近的一种方法是局部搜索到一个明确定义的目标，指定语言流畅性，语义含义，和其他特定任务的属性。在句子空间中的搜索是通过词级的编辑操作，包括插入，替换和删除。然而，这样的目标函数是用多个分量手动设计的。虽然之前的工作已经表明，最大化这个目标在真正的成功衡量标准（即BLEU和iBLEU）方面会产生良好的性能，但目标景观被认为是不平滑的，具有显著的噪声，对优化提出了挑战。在这篇论文中，我们通过学习对搜索动力学建模来解决启发式搜索目标中的噪声平滑的研究问题。然后，将学习的模型与原始目标函数相结合，以引导方式进行搜索。实验结果表明，学习的模型与原始搜索目标相结合，确实可以提供一个平滑的效果，提高搜索性能的一个小幅度。
2022-03-23 cs.AI cs.CL cs.LG
Improving search relevance of Azure Cognitive Search by Bayesian optimization
Microsoft（微软）
针对Azure Cognitive Search用户特定用例下搜索相关性提升难的问题，提出将搜索相关性问题建模为超参数调优、用贝叶斯优化找最优配置的方法，在真实场景中显著提升了CTA率等指标。
2023-12-13 cs.AI cs.IR cs.LG
Information and Search in Computer Chess
ETH Zurich（苏黎世联邦理工学院）
本文描述了一个基于信息论的国际象棋模型。概述了部分深度方案的数学模型，并根据模型的原理计算出每层所增加的部分深度的公式。给出了部分深度的alpha-beta算法的一个实现。该方法使用实验策略进行测试，其目标是显示在具有较高信息的搜索树的区域上分配较高量的搜索资源的效果。搜索在具有较高信息增益的线的方向上进行。实验测试了在高信息增益的线路上分配高搜索资源对搜索性能的影响，得到了结论性的结果。为了隔离部分深度方案的影响，不使用其他启发式算法。
2011-12-09 cs.AI cs.IT math.IT
Improving Line Search Methods for Large Scale Neural Network Training
University Bielefeld（比勒费尔德大学）；Technical Faculty（工学院）
本文改进了Armijo线搜索方法，通过整合ADAM动量项实现大规模神经网络的高效训练，在NLP和图像数据领域优于现有方法，并提供无超参数的PyTorch优化器。
2024-03-27 cs.AI cs.LG
Deep Learning-Based Approach for Improving Relational Aggregated Search
Alexandria University（亚历山大大学）；Alamein International University（阿拉曼国际大学）；University of Cincinnati（辛辛那提大学）
针对传统搜索引擎的局限与阿拉伯语文本聚合搜索聚类需求，本研究结合堆叠自编码器与AraBERT嵌入，通过K-means聚类挖掘特征关联，有效提升了搜索结果的聚类效果、准确性与相关性。
2025-10-01 cs.AI cs.IR
Improving Chinese Named Entity Recognition by Search Engine Augmentation
Shanghai Jiao Tong University（上海交通大学）；The University of Melbourne（墨尔本大学）
与英语相比，汉语存在着较多的语法歧义，如词边界模糊、词的多义等。在这种情况下，上下文信息是不足以支持中文命名实体识别（NER），特别是对罕见的和新兴的命名实体。使用外部知识的语义增强是缓解这一问题的潜在方法，而如何获得和利用外部知识的NER任务仍然是一个挑战。在本文中，我们提出了一种基于神经网络的方法来执行语义增强使用外部知识的搜索引擎为中文NER。特别地，采用多通道语义融合模型来生成增强的输入表示，其聚合从搜索引擎检索的外部相关文本。实验表明，我们的模型在4个NER数据集上的优越性，包括正式和社交媒体语言环境，这进一步证明了我们的方法的有效性。
2022-10-23 cs.AI cs.CL
Using Neural Architecture Search for Improving Software Flaw Detection in Multimodal Deep Learning Models
Sandia National Laboratories（桑迪亚国家实验室）
使用多模态深度学习模型的软件缺陷检测已被证明是基准问题上非常有竞争力的方法。在这项工作中，我们证明了使用神经架构搜索（NAS）与多模态学习模型相结合可以实现更好的性能。我们适应的NAS框架，旨在调查图像分类的问题，软件缺陷检测和证明朱丽叶测试套件，一个流行的基准测试数据集，用于测量性能的机器学习模型在这个问题域的改进结果。
2020-09-22 cs.AI cs.CR cs.LG
The potential of large language models for improving probability learning: A study on ChatGPT3.5 and first-year computer engineering students
Rey Juan Carlos University（胡安·卡洛斯国王大学）；European Commission, Joint Research Centre（欧盟委员会联合研究中心）；CETINIA: Research Centre for Intelligent Information Technologies（CETINIA智能信息技术研究中心）
该研究评估ChatGPT解答计算机工程入门概率题的效能，发现其推理表达优于平均水平学生但数值运算有缺陷，用R脚本输出解答可弥补不足，证明大语言模型有潜力作为概率学习助手。
2023-10-09 cs.AI cs.CL
Query Attribute Modeling: Improving search relevance with Semantic Search and Meta Data Filtering
提出查询属性建模（QAM）混合框架，通过将文本查询分解为元数据标签和语义元素提升搜索精度，在亚马逊玩具数据集上mAP@5达52.99%，优于传统搜索方法。
2025-08-06 cs.AI cs.CL cs.IR
Comprehensive characterization of three-qubit Grover search algorithm on IBM's 127-qubit superconducting quantum computers
Faculty of Science, Ain Shams University（艾因夏姆斯大学理学院）
本研究在IBM 127量子比特超导量子计算机上，针对多类oracle实现并表征三量子比特Grover搜索算法，结合量子态层析实验分析其在不同环境下的表现，揭示了NISQ计算机在大规模搜索中的潜力与该算法的实用价值。
2024-06-23 cs.AI cs.CR cs.DS
Improving LLM-based Global Optimization with Search Space Partitioning
University of Freiburg（弗赖堡大学）；ELLIS Institute Tübingen（图宾根ELLIS研究所）；Prior Labs（Prior实验室）
HOLLM通过搜索空间划分提升LLM在高维优化中的性能，有效平衡探索与利用，优于现有全局优化方法。
2026-01-27 cs.AI cs.LG
SelfSearch: Reward-Free Search for Self-Improving Agents
Graduate School of Data Science, Seoul National University（首尔大学数据科学研究生院）
SelfSearch是一种无奖励搜索方法，利用智能体自我修改的历史记录来改进自身，在多个基准上提升成功率并降低成本，且搜索成本极低。
2026-10-01 cs.AI cs.CL cs.LG
Creative Beam Search: LLM-as-a-Judge For Improving Response Generation
Alma Mater Studiorum Università di Bologna（博洛尼亚大学）；University College London（伦敦大学学院）
针对大语言模型生成缺乏意向性与创作过程的问题，提出结合多样性束搜索与大模型评判的Creative Beam Search方法，经定性实验验证其输出优于标准采样，且验证步骤是生成步骤的必要补充。
2024-10-07 cs.AI cs.CL cs.HC
Computer-Assisted Creation of Boolean Search Rules for Text Classification in the Legal Domain
Université de Montréal（蒙特利尔大学）；University of Pittsburgh（匹兹堡大学）；Hofstra University（霍夫斯特拉大学）
本研究开发了CASE交互式环境辅助构建布尔搜索规则形式的可解释文本分类器，在4个法律领域数据集上对比多种机器学习方法，探讨了规则可解释性与模型性能间的权衡。
2021-12-10 cs.AI cs.CL cs.IR
Improving Similarity Search with High-dimensional Locality-sensitive Hashing
Salk Institute for Biological Studies（索尔克生物研究所）
提出了一类新的基于果蝇嗅觉回路的数据无关局部敏感哈希算法。这种方法的根本区别在于，不是将哈希分配为低维空间中的密集点，而是将哈希分配在高维空间中，这增强了它们的可分离性。我们从理论上和经验表明，这个新的家庭的哈希函数是局部敏感的，并保留在任何`p空间的输入的秩相似性。然后，我们分析了这种策略的不同变化，并实证表明，它们优于现有的LSH方法的最近邻居搜索六个基准数据集。最后，我们提出了一个多探针版本的算法，实现更高的性能相同的查询时间，或相反，保持性能的先前的方法，同时采取显着更少的索引时间和内存。总的来说，我们的方法利用了高维空间提供的可分性的优势，同时仍然保持计算效率
2018-12-05 cs.AI cs.DS cs.LG
