Conflict-Averse Gradient Aggregation for Constrained Multi-Objective Reinforcement Learning
Seoul National University（首尔大学）
提出约束多目标强化学习算法CoMOGA，将多目标最大化视为约束优化问题并利用线性近似更新策略以避免梯度冲突，在表格环境中保证最优收敛并在所有任务中实现约束满足。
2024-05-31 cs.LG
Safety-Regulated Transfer Reinforcement Learning with Adaptive Teacher Guidance
State Key Laboratory of Advanced Design and Manufacturing Technology for Vehicle, College of Mechanical and Vehicle Engineering, Hunan University（湖南大学机械与运载工程学院，先进设计与制造技术国家重点实验室）；Key Laboratory of Intelligent Air-Ground Cooperative Control for Universities in Chongqing, School of Automation, Chongqing University of Posts and Telecommunications（重庆邮电大学自动化学院，重庆市高校智能空地协同控制重点实验室）；School of Traffic and Transportation Engineering, Central South University（中南大学交通运输工程学院）
提出一种安全迁移强化学习框架，通过自适应教师干预、奖励塑形和策略比率重加权，解决自动驾驶高速公路变道中的分布偏移和训练安全问题，在安全性和学习效率上分别提升52.2%和5.0%。
2026-07-23 cs.LG
FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning
Huazhong University of Science and Technology（华中科技大学）；Chongqing University（重庆大学）
针对联邦学习面临的统计异质性、易受攻击及聚合脆弱性问题，提出FedAA方法，通过深度确定性策略梯度控制聚合权重、参数距离选客户端及验证集奖励机制，提升鲁棒性并保障公平性。
2024-12-12 cs.AI cs.DC cs.LG
FGRPO: Federated GRPO with Adaptive Aggregation on Non-IID Data
School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）；School of Mathematical Science, Peking University（北京大学数学科学学院）；School of Computer Science and Artificial Intelligence, Shanghai University of Finance and Economics（上海财经大学计算机科学与人工智能学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
提出联邦GRPO（FGRPO）框架，通过基于相对性能增益的自适应聚合机制，在非独立同分布数据上实现去中心化推理模型微调，兼顾数据隐私与鲁棒收敛。
2026-06-02 cs.LG
From Cumulative Constraints to Adaptive Runtime Safety Control for Nonstationary Reinforcement Learning
McMaster Centre for Software Certification（麦斯特软件认证中心）；Department of Computing and Software（计算与软件系）；McMaster University（麦斯特大学）
本文提出了一种适应性运行时安全控制机制CPSS，通过将累积安全预算转化为适应性的状态级控制约束，以应对非平稳强化学习中的安全问题，通过动态调整安全阈值来保证执行动作的安全性，同时在多个高速公路合并场景中验证了其有效性。
2026-05-13 cs.LG
FedDRL: Deep Reinforcement Learning-based Adaptive Aggregation for Non-IID Data in Federated Learning
VinUniversity（Vin大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）
本地数据在不同边缘设备（客户端）之间的不均匀分布导致联邦学习中模型训练缓慢和准确性降低。朴素的联邦学习（FL）策略和大多数替代解决方案试图通过在客户端之间加权聚合深度学习模型来实现更大的公平性。这项工作介绍了一种新的非IID类型，在现实世界中遇到的数据集，即集群偏斜，其中客户端组具有类似分布的本地数据，导致全局模型收敛到过拟合的解决方案。为了处理非IID数据，特别是聚类偏斜数据，我们提出了FedDRL，这是一种新的FL模型，采用深度强化学习来自适应地确定每个客户端的影响因子（将用作聚合过程中的权重）。在一组联邦数据集上进行的大量实验证实，所提出的FedDRL相对于FedAvg和FedProx方法有了有利的改进，例如，CIFAR-100数据集的平均值分别为4.05%和2.17%。
2022-08-04 cs.CV cs.LG
SAINT-ACC: Safety-Aware Intelligent Adaptive Cruise Control for Autonomous Vehicles Using Deep Reinforcement Learning
Department of Computer Science, University of Memphis（孟菲斯大学计算机科学系）；University of Memphis（孟菲斯大学）
提出了一种新的自适应巡航控制（ACC）系统，即SAINT-ACC：基于深度强化学习（RL）的{S} approximate-{A}ware {Int}elligent {ACC}系统（SAINT-ACC），旨在通过动态适应车间距来实现交通效率、驾驶安全性和驾驶舒适性的同时优化。提出了一种基于双强化学习Agent的交通效率优化方法，该方法基于从动态变化的复杂交通环境中采集的宏观和微观交通信息，通过有效控制驾驶安全模型参数和车间距，寻求和调整交通效率和驾驶安全/舒适性之间的最优平衡.通过对不同交通场景和渗透率的12，000多次模拟运行获得的结果表明，与最先进的方法相比，SAINT-ACC显著提高了交通流量、驾驶安全性和舒适性。
2021-09-24 cs.LG cs.RO
Safe and Adaptive Decision-Making for Optimization of Safety-Critical Systems: The ARTEO Algorithm
Imperial College London（帝国理工学院）；ETH Zürich（苏黎世联邦理工学院）
考虑了在安全约束环境下的不确定性决策问题。许多商业和工业应用依赖于实时优化来提高关键性能指标。在未知特性的情况下，实时优化变得具有挑战性，特别是因为满足安全约束。我们提出了ARTEO算法，在那里我们投多武装土匪作为一个数学规划问题的安全约束，并通过探索学习未知的特点，同时优化目标。我们通过使用高斯过程量化未知特性中的不确定性，并将其作为驱动探索的贡献纳入成本函数。我们根据环境的要求自适应地控制这种贡献的大小。我们保证我们的算法的安全性与高概率通过置信区间下构造的高斯过程的正则性假设。我们证明了我们的方法的安全性和效率与两个案例研究：优化电动机电流和实时投标问题。我们进一步评估ARTEO的性能相比，一个安全的变体的置信上限为基础的算法。ARTEO通过准确和安全的决策减少累积的遗憾。
2023-01-30 cs.LG stat.ML
An Adaptive State Aggregation Algorithm for Markov Decision Processes
Stanford University（斯坦福大学）；University of California, Berkeley（加州大学伯克利分校）
值迭代是求解马尔可夫决策过程（MDP）的一种众所周知的方法，它易于实现，并具有强大的理论收敛保证。然而，值迭代的计算成本很快变得不可行的状态空间的大小增加。已经提出了各种方法来克服这个问题，在大的状态和动作空间MDP的值迭代，通常在价格，但是，概括性和算法的简单性。在本文中，我们提出了一个直观的算法来解决MDP，通过动态地将具有相似的成本值的状态分组在一起来降低值迭代更新的成本。我们还证明了我们的算法几乎肯定收敛到\(2\varepsilon / (1 - γ)\)内的真正的最优值在\(\ell^\infty\)规范，其中\(γ\)是折扣因子和聚合状态不同的最多\(\varepsilon\)。在各种模拟环境下的数值实验证实了我们的算法的鲁棒性和它的能力，以更便宜的更新，特别是作为MDP问题的规模增加，解决MDP。
2021-07-23 cs.DS cs.LG math.OC
Cooperative Multi-Agent Reinforcement Learning for Adaptive Aggregation in Semi-Supervised Federated Learning with non-IID Data
Institute of Communication Acoustics, Ruhr-Universität Bochum（鲁尔大学波鸿分校通信声学研究所）
针对非独立同分布数据半监督联邦学习的挑战，提出pFedMARL方法，利用多智能体强化学习动态调整聚合策略，提升模型准确率、鲁棒性与公平性，性能优于FedAvg等方法。
2026-08-27 cs.DC cs.LG cs.SD
Safe-FCL: Continual Risk Awareness and Fine-Grained Safety Aggregation for Federated Continual Learning of LLMs
East China Normal University（华东师范大学）；Shanghai Innovation Institute（上海创新研究院）
Safe-FCL是面向大语言模型联邦持续学习的框架，通过持续风险感知与细粒度安全聚合机制，在抑制恶意更新的同时提升风险识别准确率，性能优于现有SOTA方法。
2026-10-14 cs.AI cs.LG
Adaptive Multi-Scale Goodness Aggregation for Forward-Forward Learning
Computer Engineering University of St. Thomas Minnesota, USA（计算机工程 明尼苏达州圣汤姆斯大学）
本文提出了一种自适应多尺度良度聚合（AMSGA）方法，通过改进局部学习神经网络的稳定性、鲁棒性和泛化能力，解决了原始前-前（FF）框架的局限性，实验表明在MNIST和Fashion-MNIST数据集上性能提升显著。
2026-05-11 cs.AI cs.LG
FedALA: Adaptive Local Aggregation for Personalized Federated Learning
Shanghai Jiao Tong University（上海交通大学）；Louisiana State University（路易斯安那州立大学）
本文提出 FedALA 方法，通过自适应局部聚合模块在每轮训练前按客户端局部目标融合全局与局部模型，以缓解联邦学习中的统计异质性问题，并在多个基准上取得显著准确率提升。
2023-09-17 cs.AI cs.LG
FLAG: Fast Label-Adaptive Aggregation for Multi-label Classification in Federated Learning
Industrial Technology Research Institute（工业技术研究院）；National Yang Ming Chiao Tung University（阳明交通大学）
联邦学习的目标是在不泄露隐私的情况下共享私有数据，以最大化数据效用。以往的联邦学习研究主要集中在多类分类问题上。然而，多标签分类是一个关键的研究问题，接近现实世界的数据属性。然而，有限数量的联邦学习研究探讨了这一研究问题。现有的多标签联邦学习研究没有考虑多标签数据的特点，即，他们使用多类分类的概念来验证他们的方法的性能，这意味着将他们的方法应用于实际应用是不可行的。因此，本研究提出了一种新的多标签联邦学习框架，该框架采用了一种基于标记的多标签数据分配（CMDA）和一种新的聚合方法--快速标签自适应聚合（FLAG），用于联邦学习环境中的多标签分类。实验结果表明，我们的方法只需要不到50\%的训练时期和通信轮，以超过最先进的联邦学习方法的性能。
2023-02-27 cs.AI cs.LG
Layer-wise Adaptive Model Aggregation for Scalable Federated Learning
Viterbi School of Engineering（维特比工程学院）；University of Southern California（南加州大学）
在联邦学习中，跨客户端聚合本地模型的常用方法是定期对完整模型参数进行平均。然而，已知神经网络的不同层可以具有跨客户端的不同程度的模型差异。传统的全聚合方案没有考虑这种差异，而是一次性地对整个模型参数进行调整，导致网络带宽消耗效率低下。聚集在客户端之间相似的参数不会取得有意义的训练进展，同时会增加通信成本。我们提出了FedLAMA，一个分层的模型聚合方案，可扩展的联邦学习。FedLAMA自适应地调整聚合间隔在一个逐层的方式，联合考虑模型的差异和通信成本。分层聚合方法能够精细地控制聚合间隔，以放松聚合频率，而不会对模型精度产生显著影响。我们的实证研究表明，FedLAMA降低了高达60%的IID数据和70%的非IID数据的通信成本，同时实现了可比的准确性FedAvg。
2022-01-03 cs.LG
Adaptive Consensus Gradients Aggregation for Scaled Distributed Training
Huawei Tel Aviv Research Center（华为特拉维夫研究中心）
本文提出一种基于子空间优化的自适应梯度加权聚合方法，并引入子空间动量加速收敛，在MLPerf任务上优于传统梯度平均，且通信和计算开销低。
2024-11-06 cs.AI cs.DC cs.LG
FedAPA: Federated Learning with Adaptive Prototype Aggregation Toward Heterogeneous Wi-Fi CSI-based Crowd Counting
FedAPA通过自适应原型聚合策略，提升异构Wi-Fi CSI人群计数的准确性与效率，减少通信开销。
2025-11-26 cs.AI cs.LG
FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors
Jilin University（吉林大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对联邦学习中数据异构性导致的聚合权重分配不合理问题，提出基于客户端向量自适应调整聚合权重的FedAWA方法，在保护隐私的同时提升了全局模型的稳定性与泛化能力，经多场景实验验证了其优越性。
2025-03-20 cs.LG
Adaptive Aggregation with Two Gains in QFL
School of IT, Deakin University（信息学院，德肯大学）
本文提出A2G框架，通过几何增益和QoS增益解决量子联邦学习中的客户端质量不均和模型不匹配问题。
2026-02-18 cs.LG quant-ph
Channel-Adaptive Robust Aggregation for Over-the-Air Federated Learning in Heterogeneous Networks
IIIT, Delhi（德里印度理工学院）；IIT Dharwad（达尔瓦德印度理工学院）
针对物联网等隐私保护、数据密集型应用需求，提出CHARGE-FL框架，基于信道动态和应用就绪情况自适应调度聚合，结合优化策略与预编码机制，提升无线条件下的精度、稳定性和收敛性。
2026-07-07 cs.LG
FedAPA: Server-side Gradient-Based Adaptive Personalized Aggregation for Federated Learning on Heterogeneous Data
College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）；College of Information and Computational Science, Jilin University（吉林大学信息与计算科学学院）；University of Toronto（多伦多大学）；The Hong Kong Polytechnic University（香港理工大学）
针对异构数据下个性化联邦学习的准确率、计算与通信挑战，提出FedAPA，在服务器端基于客户端参数变化对聚合权重的梯度自适应更新权重，兼具理论收敛保证与优异性能。
2025-02-15 cs.CV cs.LG
Robust Federated Learning with Attack-Adaptive Aggregation
The Hong Kong University of Science and Technology（香港科技大学）
联邦学习容易受到各种攻击，如模型中毒和后门攻击，即使使用一些现有的防御策略。为了应对这一挑战，我们提出了一种攻击自适应聚合策略，以抵御各种攻击的鲁棒联邦学习。所提出的方法是基于训练一个神经网络的注意力机制，学习联邦学习模型的脆弱性，从一组看似合理的攻击。据我们所知，我们的聚合策略是第一个可以以数据驱动的方式防御各种攻击的策略。在图像和文本数据集上的联邦学习任务中，我们的方法在防御模型中毒和后门攻击方面取得了有竞争力的性能。
2021-08-06 cs.CR cs.LG
Achieving Byzantine-Resilient Federated Learning via Layer-Adaptive Sparsified Model Aggregation
University of Nevada, Reno（内华达大学雷诺分校）
本文提出层自适应稀疏化模型聚合方法LASA，通过预聚合稀疏化和逐层自适应过滤提升联邦学习对拜占庭攻击的鲁棒性，并在多种数据集上验证其有效性。
2024-09-02 cs.CR cs.DC cs.LG
Personalized Federated Learning with Adaptive Feature Aggregation and Knowledge Transfer
Zhejiang University（浙江大学）
本文提出FedAFK方法，通过自适应特征聚合与知识迁移平衡泛化与个性化，在Non-IID数据上提升个性化联邦学习性能，并在多数据集实验中优于13个基线。
2024-10-19 cs.AI cs.CR cs.LG
AdaBFL: Multi-Layer Defensive Adaptive Aggregation for Bzantine-Robust Federated Learning
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）；MIIT Key Laboratory of Pattern Analysis and Machine Intelligence（信息产业部模式分析与机器智能重点实验室）
本文提出AdaBFL，一种多层防御自适应聚合方法，用于对抗联邦学习中的拜占庭攻击，通过自适应调整防御算法权重提升鲁棒性，并在非iid数据下证明了收敛性。
2026-04-30 cs.AI cs.CR cs.LG
Jailbreaking LLMs via Calibration
Department of Computer Science, Peking University, Beijing, China（计算机科学系，北京大学，北京，中国）
通过校准劫持大语言模型，提出一种新的聚合框架，提升攻击成功率并降低劫持成本。
2026-01-31 cs.AI cs.CL cs.CR
Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons
University of Virginia（弗吉尼亚大学）；University of California, Los Angeles（加州大学洛杉矶分校）；California Institute of Technology（加州理工学院）
在异质等级聚合问题中，用户在比较项目对时往往表现出不同的准确度水平。因此，对用户的统一查询策略可能不是最佳的。为了解决这个问题，我们提出了一个基于淘汰的主动抽样策略，估计排名的项目，通过嘈杂的成对比较，从用户和提高用户的平均精度，通过保持一个活跃的用户集。我们证明了我们的算法可以返回的真实排名的项目以高概率。我们还提供了一个样本的复杂性界所提出的算法，这是优于文献中的非主动策略。实验表明，所提出的方法的经验优势，在国家的最先进的基线。
2021-10-08 cs.LG
Spectral clustering via adaptive layer aggregation for multi-layer networks
Columbia University（哥伦比亚大学）；Michigan State University（密歇根州立大学）；New York University（纽约大学）
网络分析中的一个基本问题是发现多层网络中的社团结构，其中每一层代表节点之间的一种边信息。我们提出了基于有效凸层聚合的综合谱聚类方法。我们的聚合方法的强烈动机是一个微妙的渐近分析的频谱嵌入加权邻接矩阵和下游$k$ -手段聚类，在一个具有挑战性的制度，社区检测一致性是不可能的。事实上，该方法被示出来估计最优凸聚集，该最优凸聚集在一些专门的多层网络模型下使误聚类误差最小化。我们的分析进一步表明，使用高斯混合模型的聚类一般优于常用的$k$ -均值谱聚类。大量的数值研究表明，我们的自适应聚合技术，再加上高斯混合模型聚类，使新的谱聚类显着的竞争力相比，几个常用的方法。
2022-10-06 cs.LG cs.SI math.ST
Birds of a Feather Trust Together: Knowing When to Trust a Classifier via Adaptive Neighborhood Aggregation
National University of Singapore（新加坡国立大学）
我们如何知道分类器所做的预测何时是可信的？这是一个基本问题，也具有巨大的实用性，特别是在医疗和自动驾驶等安全关键领域。使用分类器的softmax输出作为可信度的代理的事实上的方法遭受过度自信的问题，而最近的作品产生的问题，如额外的再培训成本和准确性与可信度权衡。在这项工作中，我们认为，一个分类器的预测样本的可信度是高度相关的两个因素：样本的邻域信息和分类器的输出。为了结合这两个世界的最好的，我们设计了一个模型不可知的事后方法NeighborAgg通过自适应邻域聚合来利用这两个基本信息。从理论上讲，我们表明，NeighborAgg是一个广义版本的一跳图卷积网络，继承了强大的建模能力，捕捉不同的相似性样本之间的每一类。我们还将我们的方法扩展到与错误标记检测密切相关的任务，并提供理论覆盖率保证以约束假阴性。从经验上讲，图像和表格基准测试的广泛实验验证了我们的理论，并表明NeighborAgg优于其他方法，实现了最先进的可信性能。
2022-11-29 cs.AI cs.CV cs.LG
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
XAI-SOH-FL: Enhancing SOH-FL with Adaptive Aggregation and Explainable AI for Intrusion Detection in Heterogeneous IoT
School of Electrical Engineering and Computer Science (SEECS), National University of Sciences and Technology (NUST)（电气工程与计算机科学学院（SEECS），国家 sciences and Technology（NUST））
针对异构物联网中数据异构、标签稀缺和模型不可解释性问题，提出XAI-SOH-FL框架，通过自适应聚合（动态γ选择与贝叶斯优化）和SHAP可解释性，在CICIDS2017数据集上达到94.12%准确率和0.92 F1分数，优于基线SOH-FL。
2026-05-28 cs.AI cs.CR cs.LG
Adaptive Multi-Expert Reasoning via Difficulty-Aware Routing and Uncertainty-Guided Aggregation
Faculty of Computer Science October University for Modern Science \& Arts Giza, Egypt
本文提出AMR框架，通过动态适应策略提升数学推理鲁棒性，利用难度感知路由和不确定性引导聚合在GSM8K数据集上取得75.28%准确率。
2026-04-11 cs.CL cs.LG
Resilient Peer-to-peer Learning based on Adaptive Aggregation
Institute of Software Integrated Systems（软件集成系统研究所）；Vanderbilt University（范德堡大学）
针对对等网络中的恶意节点、非凸损失与 non-iid 数据问题，提出基于邻居模型和私有损失优化权重的自适应弹性聚合方法，并从理论收敛与多任务抗攻击实验验证其优势。
2025-01-08 cs.LG
AsyncFedED: Asynchronous Federated Learning with Euclidean Distance based Adaptive Weight Aggregation
Zhejiang University（浙江大学）
在异步联邦学习框架中，服务器在从客户端接收到更新后立即更新全局模型，而不是像同步设置中那样等待所有更新到达。这允许具有不同计算能力的异构设备在不暂停的情况下训练本地模型，从而加快训练过程。然而，它引入了陈旧模型问题，其中新到达的更新是基于比当前全局模型更旧的一组陈旧权重计算的，这可能会损害模型的收敛性。在本文中，我们提出了一个异步联邦学习框架，提出了自适应权重聚合算法，称为AsyncFedED。据我们所知，这种聚合方法是第一个考虑到达梯度的陈旧性的方法，通过陈旧模型和当前全局模型之间的欧几里得距离以及已经执行的局部时期的数量来测量。在一般非凸损失函数的假设下，我们从理论上证明了该方法的收敛性。数值结果验证了所提出的AsyncFedED在收敛速度和模型精度方面的有效性相比，现有的方法为三个考虑的任务。
2022-06-07 cs.DC cs.LG
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Renmin University of China（中国人民大学）；University of Surrey（萨里大学）
现有的少样本学习（FSL）方法假设源类中存在足够多的训练样本，以便在训练样本较少的情况下将知识转移到目标类。然而，这种假设通常是无效的，特别是在涉及到细粒度识别时。在这项工作中，我们定义了一个新的FSL设置称为Few-Shot fewshot学习（FSFSL），根据源和目标类有有限的训练样本。为了克服源类数据稀缺的问题，一个自然的选择是从Web上抓取图像，并将类名作为搜索关键字。然而，抓取的图像不可避免地被大量噪声（无关图像）破坏，从而可能损害性能。为了解决这个问题，我们提出了一种基于图卷积网络（GCN）的标签去噪（LDN）方法来去除不相关的图像。此外，我们提出了一种基于GCN的FSL方法，该方法利用清洁的Web图像以及原始清洁的训练图像。针对LDN和FSL任务，提出了一种新的自适应聚合GCN（AdarGCN）模型，该模型与现有的GCN模型不同之处在于基于多头多级聚合模块进行自适应聚合.使用AdarGCN，可以自动确定每个图节点携带的信息在图结构中传播了多少和多远，从而减轻了噪声和离群训练样本的影响。大量的实验表明，我们的AdarGCN下的新的FSFSL和传统的FSL设置的优越性能。
2020-03-09 cs.LG stat.ML
ABBA: Adaptive Brownian bridge-based symbolic aggregation of time series
The University of Manchester（曼彻斯特大学）
介绍了一种新的时间序列符号表示方法ABBA。它是基于一个自适应的多边形链近似的时间序列成一个序列的元组，其次是一个基于均值的聚类，以获得符号表示。我们表明，这种表示的重建误差可以建模为一个随机游走与固定的起点和终点，一个所谓的布朗桥。这种见解使我们能够使ABBA基本上无参数，除了必须选择的近似公差。广泛的比较与SAX和1d-SAX表示包括在性能配置文件的形式，表明ABBA是能够更好地保持基本的形状信息的时间序列相比，其他方法。讨论了ABBA的优点和应用，包括其内置的差分属性和用于异常检测，并提供了Python实现。
2020-03-27 cs.LG stat.ML
Learning a Safety Verifiable Adaptive Cruise Controller from Human Driving Data
Carnegie Mellon University（卡内基梅隆大学）；Delft University of Technology（代尔夫特理工大学）
模仿学习提供了一种通过从数据模仿人类行为来自动构造控制器的方法。对于自动驾驶汽车等安全关键系统，使用从数据中学习的控制器可能会有问题，因为它们不能保证无碰撞。最近，已经提出了一种学习多模式混合自动机巡航控制器（MOHA）的方法。除了准确性外，该模型的逻辑性质使其适合于形式化验证。在本文中，我们使用SpaceEx混合模型检查器演示了此功能，如下所示。在学习之后，我们将自动机模型转化为SpaceEx所需的约束和方程。然后，我们验证，一个纯粹的MOHA控制器是不是无碰撞。通过添加一个基于时间间隔的安全状态，一个人类驾驶员无论如何都应该遵守的规则，我们确实获得了一个可证明安全的巡航控制。此外，安全控制器比现有的巡航控制器更像人类。
2019-10-29 cs.AI cs.FL cs.LG
Certified Uncertainty Propagation in One-Shot Federated Bayesian Models via Posterior Event Transport
University of Tehran（德黑兰大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
针对单次联邦贝叶斯模型，提出通过后验事件传输的部署一致认证框架，精确刻画FedAvg聚合下的安全概率下界，实验显示传输认证与直接全局认证存在显著差异。
2026-09-16 cs.LG
Distributed Learning in Heterogeneous Environment: federated learning with adaptive aggregation and computation reduction
King’s College London（伦敦国王学院）
尽管联邦学习近年来取得了许多突破性进展，但学习环境的异构性极大地限制了其性能，阻碍了其在现实世界中的应用。异构数据、时变无线条件和计算有限的设备是三个主要挑战，这通常会导致训练过程不稳定和精度下降。在此，我们提出了应对这些挑战的战略。针对异构数据分布，我们提出了一种新的自适应混合聚合（AMA）方案，将前几轮的模型更新与当前轮混合，以避免大的模型偏移，从而保持训练稳定性。我们进一步提出了一种新的基于过时的加权方案的异步模型更新所造成的动态无线环境。最后，我们提出了一种新的CPU友好的计算减少计划的基础上迁移学习共享的特征提取器（FES），让计算有限的设备更新只有分类器。仿真结果表明，所提出的框架优于现有的最先进的解决方案，并提高了测试精度和训练稳定性分别高达2.38%，93.10%。此外，所提出的框架可以容忍的通信延迟高达15轮下的中等延迟环境下，没有显着的准确性下降。
2023-02-16 cs.DC cs.LG
Destination-aware Adaptive Traffic Flow Rule Aggregation in Software-Defined Networks
Technische Universität Chemnitz（开姆尼茨工业大学）
在本文中，我们提出了一个目的地感知的自适应流量规则聚合（DATA）机制，以促进基于SDN的网络中的流量监控。该方法根据其他机制（例如，用于流量工程、流量监控、入侵检测）所需的流量流信息的详细程度来适配SDN交换机中的流表条目的数量。它还通过将流表条目的数量保持在远低于临界水平来防止SDN交换机的性能下降。该水平不是预设为硬阈值，而是在操作期间通过使用基于机器学习的算法来学习。DATA方法在RESTful应用（DATA App）内实现，该RESTful应用监控和分析正在进行的网络流量，并向SDN控制器提供指令以相应地适配流量流匹配策略。在SDN仿真环境中对DATA进行了全面的性能评估。结果表明，与常见SDN控制器的默认行为相比，所提出的DATA方法可以显著提高SDN交换机的性能，同时仍能按需提供详细的流量信息。
2019-09-07 cs.LG cs.NI
Adaptive Federated Few-Shot Rare-Disease Diagnosis with Energy-Aware Secure Aggregation
School of Information, Computer, and Communication Technology（信息、计算机与通信技术学院）；Sirindhorn International Institute of Technology, Thammasat University（泰国朱拉隆功大学国际技术学院）
针对罕见病诊断数据稀缺、隐私难保障、边缘设备资源有限的问题，提出整合少样本元学习联邦优化、能量感知调度、校准差分隐私安全聚合的AFFR框架，在准确率、掉线率、隐私权衡上均表现优异。
2025-10-01 cs.AI cs.CR cs.DC
When Skills Meet Safety: Benchmarking and Characterizing the Adaptive Jailbreak Robustness of Skill-Merged LLMs
Google（谷歌公司）；University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Zhejiang University（浙江大学）；Australian National University（澳大利亚国立大学）
本研究针对技能合并大语言模型，构建SkillSafe-Bench基准，发现静态安全无法预测其自适应越狱鲁棒性，提出SubSafe-Merge方法可在保留能力的同时消除安全侵蚀。
2026-08-11 cs.LG
Safe Control using Learned Safety Filters and Adaptive Conformal Inference
Computer Science & Engineering（计算机科学与工程系）
本文提出ACoFi方法，结合学习的Hamilton-Jacobi可达性安全过滤器与自适应符合推断，动态调整切换准则以保证安全评估的不确定性被有效控制，通过仿真验证其在高维空间中优于传统方法。
2026-04-20 cs.LG cs.RO cs.SY
Testing Rare Downstream Safety Violations via Upstream Adaptive Sampling of Perception Error Models
University of Edinburgh（爱丁堡大学）
在模拟中测试黑盒感知控制系统面临两个困难。首先，仿真中的感知输入缺乏真实世界传感器输入的保真度。其次，对于一个相当准确的感知系统，遇到罕见的故障轨迹可能需要运行不可行的许多模拟。本文结合感知误差模型-代理人的传感器为基础的检测系统-与状态相关的自适应重要性采样。这使我们能够有效地评估罕见的故障概率为现实世界中的感知控制系统的模拟。我们的实验与自主制动系统配备了RGB障碍物检测器表明，我们的方法可以计算准确的故障概率与廉价的模拟数量。此外，我们展示了如何选择的安全度量可以影响的过程中学习的建议分布能够可靠地抽样高概率故障。
2023-02-03 cs.LG cs.RO
FedStrategist: A Meta-Learning Framework for Adaptive and Robust Aggregation in Federated Learning
Department of Computer Science and Engineering, Islamic University of Technology (IUT)（伊斯兰科技大学（IUT）计算机科学与工程系）
针对联邦学习静态防御易受自适应攻击、适配性差的问题，提出基于元学习的FedStrategist框架，用上下文赌博机智能体动态选聚合规则，可平衡性能与安全，提升系统鲁棒性。
2025-07-28 cs.CR cs.DC cs.LG
Learning to Stay Safe: Adaptive Regularization Against Safety Degradation during Fine-Tuning
Indian Institute of Technology Jodhpur（印度理工学院乔浦尔）
本文提出一种自适应正则化框架，通过评估安全风险来维持模型在微调过程中的安全性，实验表明该方法能有效降低攻击成功率并保持下游性能。
2026-05-11 cs.CL cs.LG
Learning to Collide: An Adaptive Safety-Critical Scenarios Generating Method
Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
当自动驾驶算法应用于现实世界时，长尾和罕见事件问题变得至关重要。为了在具有挑战性的设置评估系统的目的，我们提出了一个生成框架，以创建安全关键的情况下，评估特定的任务算法。我们首先代表的交通场景与一系列的自回归积木，并产生不同的情况下，从这些块的联合分布采样。然后，我们训练生成模型作为代理（或生成器），以调查正在评估的给定驾驶算法的风险分布参数。我们把任务算法看作是一个环境（或一个代理），当生成一个有风险的场景时，它会向代理返回一个奖励。通过在模拟中的几个场景进行的实验，我们证明了所提出的框架生成的安全关键的情况下，更有效地比网格搜索或人类的设计方法。该方法的另一个优点是它对路线和参数的适应性。
2020-07-23 cs.LG cs.RO
MOSAIC: Efficient Mixture-of-Agent Scheduling via Adaptive Aggregation and Inference Concurrency
University of California, Irvine, USA（加州大学 Irvine 分校）；University of Southern California, Los Angeles, USA（南加州大学洛杉矶分校）；Intel, USA（英特尔公司）
针对混合智能体系统在有限GPU资源下的负载不均衡问题，提出基于整数线性规划调度器和置信度感知自适应聚合的MOSAIC框架，实现最高2.5倍专家阶段、4.23倍聚合阶段和1.7~2.3倍端到端加速，精度损失在0.1个百分点内。
2026-06-02 cs.AR cs.LG
Differential Privacy for Adaptive Weight Aggregation in Federated Tumor Segmentation
针对联邦脑肿瘤分割中的隐私风险，提出DP-SimAgg差分隐私相似性权重聚合算法，在保持分割性能的同时增强隐私保护并降低通信成本。
2025-10-08 cs.CR cs.LG eess.IV
SADA: Safe and Adaptive Aggregation of Multiple Black-Box Predictions in Semi-Supervised Learning
Department of Biostatistics & Medical Informatics, University of Wisconsin-Madison（生物统计与医学信息学系，威斯康星大学麦迪逊分校）；Department of Statistics, University of Wisconsin-Madison（统计学系，威斯康星大学麦迪逊分校）
提出一种安全自适应聚合多个不确定质量黑箱预测的方法，保证不劣于仅用标注数据，并在存在完美预测时实现更快收敛或半参数效率界。
2026-05-27 cs.LG stat.ME stat.ML
Learning Adaptive Safety for Multi-Agent Systems
University of Pennsylvania（宾夕法尼亚大学）；TU Wien（维也纳工业大学）
针对多智能体系统安全保障难、现有CBF方法依赖手动调参的问题，提出自适应安全强化学习框架ASRL，自动化优化策略与CBF系数，经多场景实验验证其有效性、灵活性及分布外泛化与可扩展性。
2023-10-04 cs.LG cs.MA cs.RO
Domain Adaptive Safety Filters via Deep Operator Learning
Johns Hopkins University（约翰斯·霍普金斯大学）；Microsoft Research（微软研究院）
本文提出一种自监督深度算子学习框架，通过学习环境参数到控制屏障函数的映射来避免重新训练，实现跨环境的安全控制自适应。
2024-10-18 cs.LG cs.RO cs.SY
