Conformalized Adaptive Forecasting of Heterogeneous Trajectories
University of Southern California（南加州大学）
针对运动规划中异构轨迹行为不确定性难可靠估计的问题，提出融合多类共形预测与异方差处理技术的共形化自适应预测方法，可生成带有限样本保证的高信息量轨迹预测带。
2024-05-15 cs.LG stat.ML
Benign Overfitting under Heterogeneous Input Fusion
University of Science and Technology of China（中国科学技术大学）
本研究探讨异构输入融合下的良性过拟合，发现其由联合信号与谱几何决定，而非仅由边际良性决定，且融合对回归和分类的影响可不同。
2026-10-08 cs.LG stat.ML
Conformal PM2.5 Mapping Under Spatial Covariate Shift: Satellite-Reanalysis Fusion for Africa's Green Industrial Transition
本文提出卫星-再分析PM2.5融合系统，通过LightGBM与空间交叉验证结合符合预测，评估预测精度及地理适用性，发现东非地区存在严重的协变量偏移问题，提出区域可靠性标志和监控优先级评分以支持非洲绿色工业转型。
2026-11-10 cs.AI cs.LG
Representation Learning with Mutual Influence of Modalities for Node Classification in Multi-Modal Heterogeneous Networks
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；Binzhou Institute of Technology（滨州职业技术学院）
本文提出HGNN-IMA模型，通过嵌套模态间注意力与模态对齐，在多模态异质网络中实现自适应融合与节点分类，实验验证其优越性。
2025-06-19 cs.AI cs.LG
Towards Large-Scale Heterogeneous Data Organization for Scientific Foundation Models: A Nuclear Fusion Case Study
本文以核聚变研究为例，针对科学基础模型训练所需的大规模异构数据问题，表征了相关数据特性并分析了复杂度，提出了多模态波动数据表征模板，为相关领域提供了参考。
2026-09-01 cs.LG physics.plasm-ph
Conformal Fusion Under Missing Modalities
Swinburne University of Technology（斯威本科技大学）
本文提出MCCF架构，解决缺失模态下的多模态融合问题，该架构兼具模态缺失鲁棒性与校准不确定性，在多基准测试中表现出良好的覆盖率与精度性能。
2026-08-10 cs.LG
Heterogeneous Data Fusion Considering Spatial Correlations using Graph Convolutional Networks and its Application in Air Quality Prediction
China University of Geosciences (Beijing)（中国地质大学（北京））；University of Naples Federico II（那不勒斯费德里科二世大学）
异质数据通常被用作某些模型的输入，这些模型预测某些观测值的未来趋势。现有的预测模型通常忽略了异质数据的不一致性和不完善性，同时也没有考虑（1）监测点之间的空间相关性或（2）整个研究区域的预测。为了解决上述问题，本文提出了一种深度学习方法，使用图卷积网络（GCN）融合从多个监测点收集的异构数据，以预测某些观测值的未来趋势，并通过将其应用于空气质量预测场景来评估其有效性。所提出的方法背后的基本思想是（1）融合收集的异构数据的基础上的监测点的位置，关于他们的空间相关性和（2）执行预测的基础上的全球信息，而不是本地信息。在该方法中，首先，我们组装一个融合矩阵，使用建议的基于RBF的融合方法;其次，基于融合的数据，我们构建空间和时间相关的数据作为预测模型的输入;最后，我们采用时空图卷积网络（STGCN）预测的未来趋势的一些观察。在空气质量预测的应用场景中，可以观察到：（1）基于RBF融合方法的融合数据达到了令人满意的一致性;（2）基于融合数据的预测模型的性能优于基于原始数据的预测模型;（3）STGCN模型在与所有基线模型相比时达到了最佳性能。所提出的方法是适用于类似的情况下，连续异构数据收集从多个监测点分散在一个研究区域。
2021-05-24 cs.LG
Information fusion in multi-task Gaussian processes
Australian Centre for Field Robotics, The University of Sydney（悉尼大学澳大利亚现场机器人中心）
本文评估异构信息融合的背景下，地质资源建模使用多任务高斯过程。具体来说，它经验表明，跨异构信息源的信息集成导致所有被建模的量的优越估计，单独建模它们相比。多任务高斯过程提供了一种强大的方法，同时考虑这些量之间的相关性的同时建模的多个感兴趣的量。在大规模真实传感器数据上进行了实验。
2013-09-05 cs.AI cs.LG stat.ML
Risk-aware Path Planning via Probabilistic Fusion of Traversability Prediction for Planetary Rovers on Heterogeneous Terrains
Keio University（庆应义塾大学）；OMRON SINIC X Corporation（欧姆龙SINIC X公司）
机器学习（ML）在评估自主漫游车在可变形地形上的可通行性方面起着至关重要的作用，但不可避免地存在预测误差。特别是对于地质特征因地而异的异质地形，错误的可通过性预测可能变得更加明显，增加了不可恢复的漫游车车轮打滑和固定的风险。在这项工作中，我们提出了一个新的路径规划算法，明确占这种错误的预测。其关键思想是将用于地形类型分类和滑动预测的独特ML模型概率融合到单个分布中。这给了我们一个多模态滑移分布占异质地形，并进一步允许统计风险评估被应用到获得风险意识的穿越成本的路径规划。大量的仿真实验表明，所提出的方法是能够产生更多的可行路径异构地形相比，现有的方法。
2023-03-02 cs.LG cs.RO
On Cross-Layer Alignment for Model Fusion of Heterogeneous Neural Networks
VinAI Research（VinAI研究院）；Hanoi University of Science and Technology（河内科技大学）；University of Texas, Austin（德克萨斯大学奥斯汀分校）；Monash University（莫纳什大学）
通过最佳传输的分层模型融合（称为OTFusion）应用软神经元关联来统一不同的预训练网络，以节省计算资源。在享受其成功的同时，OTFusion要求输入网络具有相同的层数。为了解决这个问题，我们提出了一种新的模型融合框架，名为CLAFusion，融合神经网络与不同数量的层，我们称之为异构神经网络，通过跨层对齐。跨层对齐问题是一个不平衡的分配问题，可以使用动态规划来有效地解决。基于跨层对齐，我们的框架平衡层的神经网络的数量之前，应用逐层模型融合。我们的实验表明，CLAFusion通过额外的微调过程，提高了CIFAR 10，CIFAR 100和Tiny-ImageNet数据集上残差网络的准确性。此外，我们还探讨了它在师生环境中的模型压缩和知识蒸馏的实际应用。
2023-02-20 cs.CV cs.LG
Orchestrating Heterogeneous Experts: A Scalable MoE Framework with Anisotropy-Preserving Fusion
Institute of Intelligent Technology, Alibaba International Digital Commerce Group（智能技术研究所，阿里巴巴国际数字商务集团）
本文提出一种可扩展的MoE框架，通过协调异质专家并保持各向异性融合，提升跨境电子商务搜索相关性建模性能。
2026-02-03 cs.AI cs.IR cs.LG
Adaptive Conformal Prediction for Image Regression Models with Application to an Inertial Confinement Fusion Emulator
Texas A&M University（德州农工大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
针对图像回归模型的不确定性量化问题，提出基于最近邻的自适应共形预测框架ACPNN，利用高斯过程学习距离度量，在ICF仿真扩散模型上实现可靠的自适应不确定性估计。
2026-10-02 cs.LG stat.ML
An Evidence Hierarchy for Bayesian Object Classification via OSINT-Aided Heterogeneous Sensor Fusion
Center for Digital Safety & Security, Austrian Institute of Technology GmbH (AIT)（数字安全与安全研究所，奥地利技术研究院（AIT））
本文提出了一种基于OSINT辅助的异质传感器融合方法，通过建立新的证据层级模型，结合上下文信息和领域知识，提升对CBRNE威胁的分类准确率，实验结果表明该方法在抗干扰和先验不匹配方面具有优势，分类准确率高达95%。
2026-08-04 cs.CV cs.LG cs.RO
Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via Generative Models
University of South Florida（南佛罗里达大学）
常用的潜在空间嵌入技术，如主成分分析，因子分析和流形学习技术，通常用于学习同质数据的有效表示。然而，它们不容易扩展到作为数值和分类变量的组合的异质数据，例如，由GPS和文本数据链接而成。在本文中，我们感兴趣的是在无监督的方式从高维异构数据中学习概率生成模型。学习的生成模型提供潜在的统一表示，其捕获数据的多个维度共有的因素，并且因此使得能够融合多模态数据以用于各种机器学习任务。贝叶斯方法之后，我们提出了一个通用的框架，结合不同的数据类型，通过自然参数化的指数分布族。为了将模型推理扩展到具有数千个特征的数百万个实例，我们使用Laplace-Bernstein近似进行涉及非线性链接函数的后验计算。该算法详细介绍了常见的异构数据集的实值（高斯）和分类（多项式）功能。在两个高维异构数据集（NYC Taxi和MovieLens-10 M）上的实验表明，该算法在异常检测、数据填充和推荐系统等不同机器学习任务上具有良好的可扩展性和竞争力.
2021-09-16 cs.LG stat.ML
Gappy local conformal auto-encoders for heterogeneous data fusion: in praise of rigidity
Johns Hopkins University（约翰斯·霍普金斯大学）；Yale University（耶鲁大学）；Technical University of Munich（慕尼黑工业大学）；ISR Corp.（ISR公司）
提出多自编码器架构，利用局部测量突发估计畸变，融合异构部分观测数据，生成全局一致潜在空间，并在Wi-Fi定位及PDE时空观测中验证。
2023-12-20 cs.LG
Enhancing Heterogeneous Federated Learning with Knowledge Extraction and Multi-Model Fusion
Iowa State University（爱荷华州立大学）；Intel Corporation（英特尔公司）
针对传统联邦学习存在的模型异构性适配差、通信成本高的问题，提出一种结合知识聚合与知识蒸馏的资源感知异构联邦学习方法，在保留模型异构性的同时显著降低通信成本并提升性能。
2023-09-30 cs.CR cs.DC cs.LG
Bohdi: Heterogeneous LLM Fusion with Automatic Data Exploration
School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）；Shanghai Innovation Institute（上海创新研究院）
针对现有异构LLM融合方法领域知识覆盖有限、能力失衡的问题，提出仅用合成数据的Bohdi框架，通过层级知识树、分层多臂老虎机机制及内省-重生机制实现自适应融合，性能与数据效率更优。
2025-10-29 cs.LG
Fusion of Heterogeneous Earth Observation Data for the Classification of Local Climate Zones
Wuhan University（武汉大学）；German Aerospace Center (DLR)（德国航空航天中心）；Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（亥姆霍兹德累斯顿罗森多夫研究中心）；Helmholtz Institute Freiberg for Resource Technology (HIF)（亥姆霍兹弗赖贝格资源技术研究所）；Technical University of Munich (TUM)（慕尼黑工业大学）
本文提出了一种新的框架，融合多时相，多光谱卫星图像和OpenStreetMap（OSM）数据的本地气候带（LCZ）的分类。特征叠加是最常用的数据融合方法，但没有考虑多模态光学图像和OSM数据的异质性，这成为其主要缺点。该框架分别处理两个数据源，然后通过两个融合模型（土地利用融合模型和建筑物融合模型）在模型级将它们结合起来，分别将光学图像与OSM数据的土地利用和建筑物层融合。此外，提出了一种新的方法来检测OSM数据的建筑物不完整性。该框架使用2017年IEEE GRSS数据融合竞赛的数据进行了训练和测试，并在一个额外的测试集上进行了进一步验证，该测试集包含在慕尼黑和纽约手动标记的测试样本。实验结果表明，与基于特征叠加的基线框架相比，该框架能够有效地融合光学图像和OSM数据，实现大规模的LCZ分类，具有较高的泛化能力。在2017年IEEE GRSS数据融合竞赛测试集和附加测试集上进行测试时，该框架的分类准确率分别比基线框架高出6%和2%以上。此外，所提出的框架是不太敏感的光学卫星图像的光谱失真，从而实现更稳定的分类性能比国家的最先进的框架。
2019-05-29 cs.LG stat.ML
Case study of a differentiable heterogeneous multiphysics solver for a nuclear fusion application
Pasteur Labs（帕斯特实验室）；Ergodic LLC（Ergodic公司）；ISI（信息科学研究所）
本研究针对核聚变Z箍缩场景，基于JAX构建可微ODE求解器，通过Tesseract抽象层兼容不可微的Gkeyll求解器，实现端到端可微的多物理场求解与快速原型开发。
2025-11-17 cs.CE cs.LG cs.MS
HiGFRL: Hierarchical Graph Fusion-Driven Reinforcement Learning for Dependency-Aware Task Scheduling in Heterogeneous Cloud
Wuhan University（武汉大学）
HiGFRL提出层级图融合强化学习框架，通过三级状态表示与双网络架构，在异构云中实现依赖感知任务调度，显著降低Makespan并提升QoS。
2026-09-15 cs.LG
SMoFi: Step-wise Momentum Fusion for Split Federated Learning on Heterogeneous Data
针对拆分联邦学习中数据异构性导致全局模型收敛速度和准确性下降的问题，提出分步动量融合（SMoFi）框架，通过同步服务器端动量缓冲区及感知陈旧性对齐机制，提升模型性能，尤其适用于资源受限场景。
2025-11-16 cs.DC cs.LG
Fusion of heterogeneous bands and kernels in hyperspectral image processing
University of Missouri（密苏里大学）；Mississippi State University（密西西比州立大学）
高光谱成像是一种强大的技术，但受到大维度的困扰。在这里，我们探索了一种方法来打击这种障碍，通过非连续和连续（更简单地实现传感器）频带分组降维。我们的方法是不同的，在这方面，它是灵活的，它遵循一个良好的研究过程中的视觉聚类在高维空间。具体来说，我们扩展了改进的视觉评估的聚类趋势和聚类有序相异度数据的无监督聚类算法的监督高光谱学习。此外，我们提出了一种方法来提取不同的功能，通过使用不同的接近度量（方法来衡量波段之间的相似性）和核函数。发现的功能与$l_{\infty}$范数多核学习融合。在两个基准数据集上进行了实验，并将我们的结果与相关工作进行了比较。这些数据集表明，连续与否是特定于应用程序的，但异构的功能和内核通常会导致性能提升。
2019-05-22 cs.LG eess.IV stat.ML
Calibrated Fusion for Heterogeneous Graph-Vector Retrieval in Multi-Hop QA
Andre Bacellar（安德烈·巴塞拉）
本文提出PhaseGraph方法，通过百分位排名归一化校准异构检索融合，提升多跳问答中HippoRAG2类基准测试的检索性能。
2026-09-22 cs.IR cs.LG
CD-GAN: a robust fusion-based generative adversarial network for unsupervised remote sensing change detection with heterogeneous sensors
Southwest Minzu University（西南民族大学）；University of Toulouse（图卢兹大学）；University of Electronic Science and Technology of China（电子科技大学）
本文提出CD-GAN，将异构光学传感器变化检测转化为鲁棒融合问题，通过把预训练融合网络嵌入对抗框架实现无监督变化检测，实验证明其通用有效。
2023-11-29 cs.CV cs.LG eess.IV
THGFM: Dual-Branch Temporal Heterogeneous Graph Fusion Model
RWTH Aachen University（亚琛工业大学）；Fraunhofer FIT（弗劳恩霍夫应用信息技术研究所）
该研究针对时序异质图学习中跨类型迁移与关系专业化难以兼顾、时间注入方式局限的问题，提出双分支THGFM模型，通过双路径融合与旋转时序注意力，在多学术图基准上取得显著性能提升。
2026-09-29 cs.CL cs.LG stat.ML
Channel-Free Human Activity Recognition via Inductive-Bias-Aware Fusion Design for Heterogeneous IoT Sensor Environments
Graduate School of Engineering, University of Fukui（福井大学工学研究科）
本文提出无通道人类活动识别框架，通过共享编码器和元数据条件融合，解决异构传感器环境下的活动识别问题，实验验证了其有效性。
2026-04-23 cs.HC cs.LG
Multi-view Attention Fusion of Heterogeneous Hypergraph with Dynamic Behavioral Profiling for Personalized Learning Resource Recommendation
Faculty of Education, Southwest University（西南大学教育学院）
本文提出基于异构超图的统一模型，结合动态行为分析模块和多视角注意力融合模块，提升个性化学习资源推荐的性能，实验表明模型在多个数据集上表现优异。
2026-03-04 cs.CY cs.IR cs.LG
Robust Direct Learning for Causal Data Fusion
Peking University（北京大学）；Ant Group（蚂蚁集团）
在大数据时代，多源异构数据的爆炸式增长为改进条件平均处理效应的推断提供了许多令人兴奋的挑战和机遇。在本文中，我们调查同质和异质的因果数据融合问题的一般设置下，允许存在源特定的协变量。我们提供了一个直接的学习框架，集成多源数据，分离的处理效应从其他滋扰功能，并实现了双重鲁棒性对某些错误。为了提高估计精度和稳定性，我们提出了一个因果信息感知的加权函数，其动机来自半参数效率理论的理论见解;它为包含更多因果信息的样本分配更大的权重，具有更高的可解释性。我们引入了一个两步算法，加权多源直接学习器，基于构建一个伪输出和回归协变量下的加权最小二乘准则，它为我们提供了一个强大的工具，因果数据融合，享有易于实现的优点，双重鲁棒性和模型的灵活性。在仿真研究中，我们证明了我们提出的方法在同质和异质因果数据融合的情况下的有效性。
2022-11-01 cs.LG stat.ME stat.ML
