A Comprehensive Survey on Automated Machine Learning for Recommendations
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);City University of Hong Kong(香港城市大学);The Hong Kong Polytechnic University(香港理工大学)
深度推荐系统(DRS)对于当前的商业在线服务提供商至关重要,其通过推荐针对用户的兴趣和偏好定制的项目来解决信息过载的问题。它们具有前所未有的特征表示效率和建模用户和项目之间的非线性关系的能力。尽管DRS模型取得了进步,但与其他深度学习模型一样,DRS模型采用复杂的神经网络架构和其他重要组件,这些组件通常由人类专家设计和调整。本文将全面总结用于开发DRS模型的自动机器学习(AutoML)。我们首先概述了DRS模型的AutoML及其相关技术。然后讨论了自动推荐系统中特征选择、特征嵌入、特征交互和模型训练的自动化方法,指出现有的基于自动推荐系统的推荐系统正在向具有抽象搜索空间和高效搜索算法的多成分联合搜索方向发展。最后,我们讨论了有吸引力的研究方向,并总结了调查。
2023-02-16 cs.AI cs.IR
DPsurv: Dual-Prototype Evidential Fusion for Uncertainty-Aware and Interpretable Whole-Slide Image Survival Prediction
National University of Singapore;National University of Singapore Guangzhou Research Translation;Innovation Institute;Imperial College London;Peking Union Medical College Hospital, Chinese Academy of Medical Sciences \& Peking Union Medical College;Hunan University;Institute of High Performance Computing, Agency for Science, Technology;Research (A STAR)
提出DPsurv双原型证据融合网络,通过不确定性感知的生存区间预测和基于补丁原型分配图、组件原型及组件级相对风险聚合的可解释性,在五个公开数据集上取得最佳一致性指数和积分Brier分数。
2026-05-29 cs.CV cs.LG eess.IV
REV-INR: Regularized Evidential Implicit Neural Representation for Uncertainty-Aware Volume Visualization
INSIGHT Lab. IIT Kanpur(IIT坎浦实验室);Oak Ridge National Laboratory(橡树岭国家实验室);IIT Kharagpur(IIT哈里甘普);University of Utah(犹他大学)
REV-INR通过正则化证据隐式神经表示,在单次前向传递中实现体数据的高精度重建和不确定性估计,提升体可视化结果的可靠性。
2026-01-25 cs.GR cs.LG
Machine Learning Innovations in CPR: A Comprehensive Survey on Enhanced Resuscitation Techniques
Concordia University(康考迪亚大学);Aqaba University of Technology(亚喀巴科技大学);Khalifa University(哈利法大学);University of Alberta(阿尔伯塔大学);Systems Research Institute, Polish Academy of Sciences(波兰科学院系统研究所);Istinye University(伊斯蒂涅大学);University of Waterloo(滑铁卢大学)
本文综述了机器学习与人工智能在心肺复苏中的应用,涵盖从传统方法到ML驱动方法的演变,并分析预测建模、AI设备及实时数据对复苏效果的提升,以及当前挑战与未来方向。
2024-11-03 cs.AI cs.LG
A Comprehensive Survey of Reinforcement Learning: From Algorithms to Practical Challenges
Wilfrid Laurier University(劳里埃大学)
本文全面综述强化学习算法,从基础表格方法到深度强化学习技术,按可扩展性和样本效率等标准分类评估,并提供算法选择与实现的实用见解。
2025-02-01 cs.AI cs.LG
A Unified Framework for Generative Data Augmentation: A Comprehensive Survey
本论文全面综述了生成式数据增强(GDA)领域,提出了统一框架以系统分析模型选择、数据选择等关键方面,揭示了缺乏通用基准等研究空白,并指出了未来的重要研究方向。
2024-04-21 cs.AI cs.LG
Knowledge Integration Strategies in Autonomous Vehicle Prediction and Planning: A Comprehensive Survey
Freie Universität Berlin(柏林自由大学);Continental Automotive Technologies GmbH(大陆汽车技术有限公司);Fraunhofer FOKUS Berlin(弗劳恩霍夫研究所柏林)
本综述系统梳理自动驾驶轨迹预测与规划中的知识集成方法,分类分析符号到神经符号架构,并指出可解释AI、形式化验证及混合方法等未来趋势。
2025-05-22 cs.AI cs.LG
Latest Advancements Towards Catastrophic Forgetting under Data Scarcity: A Comprehensive Survey on Few-Shot Class Incremental Learning
University of South Australia(南澳大学);University of Ljubljana(卢布尔雅那大学)
本文综述少样本类别增量学习(FSCIL)的最新进展,涵盖其目标、原型修正、预训练模型及语言引导新范式、性能分析与实际应用,提出挑战、解决方案与未来方向,助力应对数据稀缺下的持续学习问题。
2025-02-12 cs.AI cs.CV cs.LG
RLHF: A comprehensive Survey for Cultural, Multimodal and Low Latency Alignment Methods
Northeastern University(东北大学);University of Southern California(南加州大学)
本文综述了RLHF在文化公平、多模态和低延迟对齐方面的最新进展,系统梳理PPO、DPO、GRPO等基础算法与前沿创新,为构建更稳健高效的AI系统提供研究路线图。
2025-11-06 cs.AI cs.CL cs.LG
A Comprehensive Survey of Electronic Health Record Modeling: From Deep Learning Approaches to Large Language Models
Information Sciences and Technology, The Pennsylvania State University(信息科学与技术系,宾夕法尼亚州立大学)
本文系统综述了深度学习与大语言模型在电子健康记录建模中的最新进展,提出涵盖数据、架构、学习策略、多模态和LLM系统的统一分类体系,并指出基础模型与临床智能体等趋势及开放挑战。
2025-07-17 cs.AI cs.CL cs.LG
Large-Scale Deep Learning Optimizations: A Comprehensive Survey
National University of Singapore(新加坡国立大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
深度学习在广泛的人工智能应用中取得了可喜的成果。更大的数据集和模型始终会产生更好的性能。然而,我们通常会在更多的计算和通信上花费更长的训练时间。在本次调查中,我们的目标是提供一个关于大规模深度学习在模型准确性和模型效率方面的优化的清晰草图。我们研究了最常用于优化的算法,阐述了大批量训练中出现的泛化差距这一有争议的话题,并回顾了SOTA在解决通信开销和减少内存占用方面的策略。
2021-11-02 cs.LG
Latency and Throughput Optimization in Modern Networks: A Comprehensive Survey
New Mexico Institute of mining and Technology(新墨西哥矿业技术学院);Illinois State University(伊利诺伊州立大学)
现代应用程序对通信延迟和吞吐量高度敏感。本文综述了减少延迟和增加吞吐量的主要尝试。这些方法在不同的网络和环境中进行了调查,如有线网络,无线网络,应用层传输控制,远程直接存储器访问,和基于机器学习的传输控制。
2020-09-01 cs.LG cs.NI cs.PF
Deep Clustering: A Comprehensive Survey
University of Electronic Science and Technology of China(电子科技大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Lehigh University(理海大学)
聚类分析在机器学习和数据采掘中起着不可或缺的作用。学习一个好的数据表示是聚类算法的关键。最近,可以使用深度神经网络学习聚类友好表示的深度聚类已经广泛应用于各种聚类任务中。现有的深度聚类研究主要集中在单视图领域和网络架构上,忽略了聚类的复杂应用场景。为了解决这个问题,在本文中,我们提供了一个全面的调查数据源的视图中的深度聚类。对于不同的数据源和初始条件,我们系统地区分聚类方法的方法,先验知识和架构。具体地,根据四个类别介绍了深度聚类方法,即,传统的单视图深度聚类、半监督深度聚类、深度多视图聚类和深度转移聚类。最后,我们讨论了开放的挑战和潜在的未来机会,在不同领域的深度集群。
2022-10-09 cs.LG
Bias Mitigation for Machine Learning Classifiers: A Comprehensive Survey
Simula Research Laboratory(西穆拉研究实验室);University College London(伦敦大学学院);King’s College London(伦敦国王学院)
本文全面综述了机器学习分类器的偏差缓解方法,收集341篇文献,按干预过程分类,并分析评估实践,以支持从业者做出明智选择。
2023-10-11 cs.LG
A Comprehensive Survey on Graph Reduction: Sparsification, Coarsening, and Condensation
Emory University(埃默里大学);The Hong Kong Polytechnic University(香港理工大学);Georgia Institute of Technology(佐治亚理工学院)
本文系统综述了图稀疏化、图粗化和图凝聚三类图约简方法,提出统一定义与分层分类法,梳理技术细节、应用场景和未来研究方向,并附有完整论文列表。
2024-06-29 cs.AI cs.DS cs.LG
A Comprehensive Survey and Classification of Evaluation Criteria for Trustworthy Artificial Intelligence
ADAPT Research Centre(ADAPT研究中心);University of Galway(戈尔韦大学)
本文系统综述了可信人工智能评估标准,围绕欧盟七项TAI原则识别现有标准并提出新的分类体系,指出标准化需求与障碍,为TAI治理提供支持。
2024-10-10 cs.AI cs.CY cs.HC
A Comprehensive Survey on Spectral Clustering with Graph Structure Learning
Queensland University of Technology (QUT)(昆士兰科技大学);Graduate University of Advanced Technology(高等技术研究生院);Ardakan University(阿尔达坎大学);RMIT University(皇家墨尔本理工大学)
本综述系统梳理谱聚类方法,聚焦图结构学习(GSL)在构建相似图中的作用,涵盖多种图构建技术、单/多视图框架及信息融合,并指出挑战与未来方向,以提升大规模高维数据聚类性能。
2025-01-24 cs.LG
Graph ODEs and Beyond: A Comprehensive Survey on Integrating Differential Equations with Graph Neural Networks
Emory University(埃默里大学);Amazon(亚马逊)
本综述全面回顾了图神经网络与微分方程交叉领域的研究,分类总结了现有方法的基本原理及其在分子建模、交通预测等领域的应用,并指出了未来的研究挑战与方向。
2025-06-26 cs.LG
A Comprehensive Survey on Aspect Based Sentiment Analysis
Vellore Institute Of Technology(韦洛尔理工大学);School of Computer Science and Engineering- SCOPE(计算机科学与工程学院-SCOPE)
基于方面的情感分析(Aspect Based Sentiment Analysis,ABSA)是自然语言处理的一个分支,它主要是将数据分成方面,并最终提取情感信息。已知ABSA比一般的情感分析提供更多关于上下文的信息。在这项研究中,我们的目的是探索各种方法,同时执行ABSA,并提供一个比较研究。这份调查报告深入讨论了各种解决方案,并对它们进行了比较。并方便地分为几个部分,以获得对该过程的整体看法。
2020-06-08 cs.CL cs.LG
Multimodal Machine Learning for Real Estate Appraisal: A Comprehensive Survey
University of Technology Sydney(悉尼科技大学)
本综述系统梳理多模态机器学习在房地产评估中的应用,提出性能和融合两个研究问题,首次分类定义模态,并展望未来方向。
2025-03-28 cs.LG
Three Decades of Activations: A Comprehensive Survey of 400 Activation Functions for Neural Networks
Czech Technical University in Prague(布拉格捷克理工大学)
本文针对神经网络激活函数缺乏综合综述的问题,对过去三十年提出的400种激活函数进行了最大规模的系统化梳理与溯源,以避免重复研究并更新对该函数家族的理解。
2024-02-14 cs.LG cs.NE
Privacy-Preserving Generative Models: A Comprehensive Survey
De Montfort University(德蒙福特大学);University of Basel(巴塞尔大学)
本文通过分析100篇文献,系统综述了隐私保护生成模型,提出GANs和VAEs的隐私与效用指标新分类体系,并指出当前挑战与未来研究方向。
2025-02-05 cs.CR cs.LG
Safety in Traffic Management Systems: A Comprehensive Survey
Ying Wu College of Computing, New Jersey Institute of Technology(新泽西理工学院吴瑛计算机学院)
本文全面综述了交通管理系统中的安全性问题,梳理了先进技术带来的安全挑战、现有研究现状与保障技术方法,并指出研究局限和未来方向。
2023-08-11 cs.AI cs.LG cs.SY
Multimodality in Meta-Learning: A Comprehensive Survey
Lenovo Machine Intelligence Center(联想机器智能中心);Delft University of Technology(代尔夫特理工大学);The Chinese University of Hong Kong(香港中文大学)
元学习作为一种比传统机器学习方法更有效的训练框架已经得到了广泛的普及。然而,其在复杂任务分布,如多模态任务,泛化能力还没有得到深入研究。近年来,基于多模态的元学习研究不断涌现。本调查提供了一个全面的概述,基于多模态的元学习景观的方法和应用。我们首先形式化了多模态元学习的定义,以及在这个不断发展的领域中的研究挑战,例如如何在多模态场景中丰富少样本学习(FSL)或零样本学习(ZML)的输入,以及如何将模型推广到新的任务。然后,我们提出了一个新的分类系统讨论典型的元学习算法在多模态任务。我们调查了相关论文的贡献,并根据我们的分类法进行了总结。最后,我们提出了这个有前途的领域的潜在研究方向。
2022-05-07 cs.LG
False Data Injection Threats in Active Distribution Systems: A Comprehensive Survey
Deakin University(迪肯大学);Latrobe University(拉筹伯大学)
随着智能设备的普及和通信革命,配电系统正逐渐从被动、手动操作和不灵活的配电系统转变为大规模互联的网络物理智能电网,以应对未来的能源挑战。然而,由于部署的大规模复杂性和资源限制,几种尖端技术的集成引入了几个安全和隐私漏洞。最近的研究趋势表明,虚假数据注入(FDI)攻击正在成为整个智能电网范式中最恶意的网络威胁之一。因此,本文提出了一个全面的调查,在积极的配电系统内的FDI攻击的最新进展,并提出了一个分类法,对智能电网目标的FDI威胁进行分类。对国内外相关研究进行了对比和总结,分析了各种攻击方法及其对配电网的影响。最后,我们确定了一些研究差距,并建议了一些未来的研究方向,以指导和激励未来的研究人员。
2022-09-29 cs.AI cs.CR cs.DC
Trust your neighbors: A comprehensive survey of neighborhood-based methods for recommender systems
Amazon(亚马逊);The Ohio State University(俄亥俄州立大学);École de Technologie Supérieure(高等技术学院);University of Minnesota(明尼苏达大学)
基于最近邻的协作推荐方法由于其简单性、效率以及产生准确和个性化推荐的能力而在今天仍然非常流行。本章提供了一个全面的调查,基于邻域的方法的项目推荐问题。它提出了这样的方法的主要特点和好处,描述了关键的设计选择实现一个基于邻居的推荐系统,并给出了实际的信息,如何使这些选择。本章涵盖了广泛的方法,包括k-最近邻等传统算法以及基于矩阵分解、稀疏编码和随机游走的高级方法。
2021-09-09 cs.IR cs.LG
Feasibility of nowcasting SDG indicators: a comprehensive survey
UNCTAD(联合国贸易和发展会议)
《2030年议程》和伴随的可持续发展目标(SDG)对于指导国家和全球政策至关重要。然而,许多用于衡量这些目标进展的可持续发展目标指标都存在长期的出版滞后。即时预报有可能解决这一问题,并对这些指标作出更及时的估计。本文通过以下方式为实现这一潜力提供了资源:1)对所有可持续发展目标指标进行全面的即时预测可行性调查,以评估其即时预测的潜力; 2)对指标9.4.1进行案例研究,以说明并阐明进行即时预测的过程。SDG指标共有231项,但由于只考察一级指标,而且许多指标有多个子指标,最终调查了362项指标和子指标。在这362个候选人中,有150个被认为极有可能适合进行即时预报,87个被认为是可能的,125个被认为不适合。
2022-03-23 cs.CY cs.LG
A Comprehensive Survey of Deep Learning for Image Captioning
Murdoch University(莫道克大学)
生成图像的描述被称为图像描述。图像描述需要识别图像中的重要对象及其属性和关系。它还需要生成语法和语义正确的句子。基于深度学习的技术能够处理图像描述的复杂性和挑战。在这篇调查论文中,我们旨在对现有的基于深度学习的图像描述技术进行全面回顾。我们讨论了技术的基础,分析其性能,优势和局限性。我们还讨论了基于深度学习的自动图像描述中常用的数据集和评估指标。
2018-10-14 cs.CV cs.LG stat.ML
Machine Learning for Network Slicing Resource Management: A Comprehensive Survey
University of Kaiserslautern(凯泽斯劳滕大学);German Research Center for Artificial Intelligence(德国人工智能研究中心)
新兴的多租户网络切片技术被认为是5G蜂窝网络的基本特征。它提供网络切片作为一种新型的公共云服务,从而增加了服务的灵活性,提高了网络资源的效率。同时,也对网络资源管理提出了新的挑战。近年来已经提出了许多各种方法,其中广泛地部署了机器学习和人工智能技术。在这篇文章中,我们提供了一个调查现有的网络切片资源管理的方法,突出了机器学习在其中所扮演的角色。
2020-01-22 cs.LG cs.NI
A Comprehensive Survey of Incentive Mechanism for Federated Learning
Northeastern University(东北大学);HKUST(香港科技大学);Hong Kong Baptist University(香港浸会大学)
联邦学习利用参与者提供的各种资源来协作训练全局模型,这可能解决机器学习的数据隐私问题。在这种有希望的范例中,如果在学习过程中没有足够的训练数据和其他资源,性能将恶化。因此,激励更多的参与者通过为联邦学习支付一些费用来贡献他们宝贵的资源是至关重要的。在本文中,我们提出了一个全面的调查联邦成员学习的激励计划。具体来说,我们确定了联邦学习中的激励问题,然后为各种方案提供了一个分类。随后,从主要技术角度对现有的激励机制进行了总结,如Stackelberg博弈、拍卖、契约理论、Shapley值、强化学习、区块链等。通过对已有研究成果的回顾和比较,提出了今后的研究方向.
2021-06-27 cs.GT cs.LG
Protein Large Language Models: A Comprehensive Survey
UCLA(加利福尼亚大学洛杉矶分校);Stanford(斯坦福大学);Georgia Tech(佐治亚理工学院);Texas A&M(得克萨斯农工大学)
本文首次全面综述了蛋白质大语言模型,涵盖架构、数据集、评估及应用,并提出分类法,探讨其在蛋白质工程与生物医学研究中的潜力及未来挑战。
2025-03-06 cs.AI cs.CE cs.CL
Adversarial Examples on Object Recognition: A Comprehensive Survey
Radboud University(拉德堡德大学);Leiden University(莱顿大学)
深度神经网络处于机器学习研究的前沿。然而,尽管它们在复杂任务上取得了令人印象深刻的性能,但它们可能非常敏感:输入的微小扰动可能足以引起不正确的行为。这种扰动称为对抗性示例,旨在测试网络对分布漂移的敏感性。由于它们的规模小得惊人,大量的文献都在讨论它们的存在以及如何缓解这一现象。在这篇文章中,我们讨论了对抗性示例对神经网络的安全性、安全性和鲁棒性的影响。我们首先介绍它们存在背后的假设,用于构建或保护它们的方法,以及在不同机器学习模型之间传输对抗性示例的能力。总而言之,我们的目标是提供一个全面的和独立的调查这一不断增长的研究领域。
2020-09-03 cs.CV cs.LG
A Comprehensive Survey on Multi-hop Machine Reading Comprehension Datasets and Metrics
University of Isfahan(伊斯法罕大学)
多跳机器阅读理解是一个具有挑战性的任务,其目标是基于不同段落中不相交的信息片段来回答问题。评估指标和数据集是多跳MRC的重要组成部分,因为没有它们就不可能训练和评估模型,而且,数据集提出的挑战往往是改进现有模型的重要动机。由于人们对这一领域的关注日益增加,因此有必要对它们进行详细的审查。本研究旨在对多跳MRC评估指标和数据集的最新进展进行全面调查。在这方面,首先,多跳MRC问题的定义将被提出,然后基于他们的多跳方面的评估指标将被调查。此外,还详细审查了2017年至2022年的15个多跳数据集,并在最后准备了全面的分析。最后,讨论了这一领域的开放问题。
2022-12-08 cs.CL cs.LG
A Comprehensive Survey and Taxonomy on Single Image Dehazing Based on Deep Learning
Southeast University(东南大学);Purple Mountain Laboratories(紫金山实验室);Ocean University of China(中国海洋大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);Anhui University(安徽大学);The University of Sydney(悉尼大学);JD Explore Academy(京东探索研究院)
随着卷积神经网络的发展,已经提出了数百种基于深度学习的去雾方法。在本文中,我们提供了一个全面的调查监督,半监督和无监督的单图像去雾。我们首先讨论物理模型,数据集,网络模块,损失函数,和评估指标,是常用的。然后,对各种去雾算法的主要贡献进行了分类和总结。此外,定量和定性实验的各种基线方法进行。最后指出了有待解决的问题和挑战,对今后的研究具有启发意义。在\url{https://github.com/Xiaofeng-life/AwesomeDehazing}上可以找到一系列有用的除雾材料。
2022-12-20 cs.CV cs.LG
The Deep Learning Compiler: A Comprehensive Survey
Beihang University(北京航空航天大学);Tsinghua University(清华大学)
在不同的深度学习硬件上部署各种深度学习(DL)模型的难度推动了社区中DL编译器的研究和开发。工业界和学术界已经提出了几种DL编译器,如Tensorflow XLA和TVM。类似地,DL编译器将不同DL框架中描述的DL模型作为输入,然后生成针对不同DL硬件的优化代码作为输出。然而,现有的研究还没有全面分析DL编译器独特的设计结构。在本文中,我们进行了全面的调查,现有的DL编译器的详细解剖常用的设计,重点是面向DL的多级IR,前端/后端优化。具体来说,我们提供了一个全面的比较现有的DL编译器从各个方面。此外,我们提出了详细的分析多电平IR的设计,并说明了常用的优化技术。最后,指出了DL编译器未来的研究方向.本文是第一篇针对深度学习编译器设计体系结构的综述性文章,希望能为深度学习编译器的进一步研究铺平道路。
2020-08-28 cs.DC cs.LG cs.PF
Comprehensive Literature Survey on Deep Learning used in Image Memorability Prediction and Modification
Indira Gandhi Delhi Technical University for Women(英迪拉·甘地德里女子技术大学)
作为人类,我们可以非常详细地记住某些视觉效果,有时甚至在看过一次之后。更有趣的是,人类倾向于记住和忘记相同的东西,这表明图像可能有一些一般的内部特征来编码和丢弃类似类型的信息。研究表明,有些图片往往比其他图片更容易记住。图像被不同的观看者记住的能力是其内在属性之一。在可视化和摄影中,创造令人难忘的图像是一项艰巨的任务。因此,为了解决这个问题,各种技术预测视觉记忆和操纵图像的记忆。我们提出了一个全面的文献调查,以评估用于预测和修改记忆力的深度学习技术。特别是,我们分析了使用卷积神经网络,递归神经网络和生成对抗网络的图像记忆预测和修改。
2023-01-18 cs.CV cs.LG
A Comprehensive Survey on Transfer Learning
University of Chinese Academy of Sciences(中国科学院大学);Baidu Inc.(百度公司);Rutgers, the State University of New Jersey(罗格斯新泽西州立大学)
迁移学习旨在通过迁移不同但相关的源域中的知识来提高目标学习者在目标域中的表现。通过这种方式,可以减少构建目标学习器对大量目标领域数据的依赖。迁移学习由于其广泛的应用前景,已成为机器学习中一个热门和有前途的研究领域。虽然已经有一些关于迁移学习的有价值和令人印象深刻的调查,但这些调查以相对孤立的方式介绍方法,缺乏迁移学习的最新进展。由于迁移学习领域的迅速扩大,全面回顾相关研究既有必要,也具有挑战性。本研究试图对现有的迁移学习研究进行梳理和整合,并对迁移学习的机制和策略进行全面的总结和阐释,以帮助读者更好地了解当前的研究现状和研究思路。与以往的调查不同,本文从数据和模型的角度,对四十多种有代表性的迁移学习方法,特别是同质性迁移学习方法进行了综述。并简要介绍了迁移学习的应用。为了展示不同的迁移学习模型的性能,使用了二十多个具有代表性的迁移学习模型进行实验。模型在三个不同的数据集上执行,即,亚马逊评论,路透社-21578和Office-31。实验结果表明,在实际应用中,针对不同的应用选择合适的迁移学习模型是非常重要的。
2020-06-23 cs.LG stat.ML
Preference Alignment on Diffusion Model: A Comprehensive Survey for Image Generation and Editing
University of Liverpool(利物浦大学);Institute of Software Chinese Academy of Sciences(中国科学院软件研究所);University of Edinburgh(爱丁堡大学);University of Bristol(布里斯托大学);University of Exeter(埃克塞特大学)
本文针对扩散模型与偏好对齐交叉领域缺乏系统综述的问题,全面调研了相关优化技术(如RLHF、DPO)及其在图像生成与编辑中的应用,是该主题首篇综述,为未来创新提供见解。
2025-02-10 cs.CV cs.LG
Topology-aware Federated Learning in Edge Computing: A Comprehensive Survey
University of Calgary(卡尔加里大学);Michigan State University(密歇根州立大学)
本文系统综述了边缘计算中拓扑感知的联邦学习方法,分析了星形拓扑的局限及其他边缘网络拓扑的优劣,并总结了该领域面临的挑战与未来研究方向。
2024-06-17 cs.DC cs.LG
Explainable Artificial Intelligence in Biomedical Image Analysis: A Comprehensive Survey
Griffith University(格里菲斯大学);University of Southern Queensland(南部昆士兰大学)
本综述填补了生物医学图像分析中XAI缺乏模态感知视角的空白,提出以模态为中心的分类法,探讨多模态与视觉语言模型的可解释性,并总结评估指标、开源框架及未来方向。
2025-07-09 cs.CV cs.LG
Large Language Models for Code Generation: A Comprehensive Survey of Challenges, Techniques, Evaluation, and Applications
School of Computer Science, University of Oklahoma(俄克拉荷马大学计算机科学学院)
本综述系统梳理了大型语言模型在代码生成任务中的挑战、微调技术、评估基准及实际应用,旨在帮助研究者全面理解当前最先进技术并有效利用 LLMs。
2025-04-02 cs.LG cs.SE
Recent advancements in computational morphology : A comprehensive survey
Dharmsinh Desai University(达尔明辛德赛大学)
本文按时间顺序系统综述了计算形态学从传统方法到深度学习方法的发展,梳理了跨语言数据集,并分析了神经模型的有效性、独特挑战及开放问题。
2024-06-08 cs.CL cs.LG
Structure Learning of Probabilistic Graphical Models: A Comprehensive Survey
Michigan State University(密歇根州立大学)
概率图模型是将图论和概率论相结合的一种多元统计建模方法。它们使用概率和复杂性使用图形模型提供了对不确定性的统一描述。特别是,图形模型提供了以下几个有用的属性:-图形模型提供了一个简单而直观的解释概率模型的结构。另一方面,它们可以用来设计和激励新的模式。- 图形模型提供了对模型属性的额外见解,包括条件独立属性。- 在复杂的模型中执行推理和学习所需的复杂计算可以用图形操作来表示,其中隐含地携带底层数学表达式。图形模型已被应用于许多领域,包括生物信息学,社会科学,控制理论,图像处理,营销分析等。然而,图形模型的结构学习仍然是一个开放的挑战,因为人们必须应付所有可能的结构空间的组合搜索。在本文中,我们提出了一个全面的调查现有的结构学习算法。
2011-11-29 cs.LG stat.ML
Evolution of MAC Protocols in the Machine Learning Decade: A Comprehensive Survey
在过去的十年(2012 - 2022)中,机器学习(ML)技术取得了前所未有的进步,特别是深度学习(DL)。由于DL的成熟能力,几乎在每个领域都进行了大量的工作和研究。自2012年以来,卷积神经网络在\textit{ImagNet}竞赛中被重新引入,DL在许多具有挑战性的任务和问题中继续取得卓越的性能。一般来说,无线通信,特别是媒体访问控制(MAC)技术,是受这种改进影响最大的领域之一。MAC协议在定义无线通信系统的性能方面起着关键作用。与此同时,社区缺乏一个全面的调查,收集,分析和分类最近的工作在ML启发MAC技术。在这项工作中,我们通过调查这个时代的一系列工作来填补这一空白。我们巩固了机器学习对无线MAC协议的影响。我们提供了一个全面的背景,广泛采用的MAC技术,他们的设计问题,和他们的分类,在著名的应用领域。此外,我们还概述了在此背景下考虑的ML技术。最后,我们提出了一些有前途的未来研究方向和开放的研究问题,是值得进一步调查,以加强我们的工作。
2023-01-24 cs.LG cs.NI
A Comprehensive Survey on Network Traffic Synthesis: From Statistical Models to Deep Learning
University of Sydney(悉尼大学);University of Peradeniya(珀德尼亚大学);Curtin University(Curtin 大学);CSIRO(澳大利亚联邦科学与工业研究组织);Colorado State University(科罗拉多州立大学)
本文综述了网络流量合成方法,涵盖数据类型和生成模型,重点讨论深度学习技术及统计方法,提供比较分析工具,指出开放挑战和未来研究方向。
2026-04-08 cs.LG cs.NI
Machine Learning for Underwater Optical Wireless Communication Systems: A Comprehensive Survey
本文全面综述了机器学习在水下无线光通信系统中的应用,涵盖信道建模、收发机设计、链路对准及新兴应用,并指出未来研究方向。
2026-09-22 cs.LG eess.SP
A Comprehensive Survey On Client Selections in Federated Learning
College of Computing and Information Technology, University of Doha for Science and Technology(多哈科技大学计算与信息技术学院);Electrical Engineering, Qatar University(卡塔尔大学电气工程系)
本综述全面梳理联邦学习中的客户端选择技术,涵盖随机、性能感知和资源感知方法及安全应用,并指出动态异构网络中的开放挑战。
2023-11-12 cs.DC cs.LG
Towards Efficient Large Vision-Language Models: A Comprehensive Survey on Inference Strategies
George Mason University(乔治梅森大学)
本文综述了提升大型视觉语言模型推理效率的最新方法,从视觉token压缩、内存管理、架构设计和解码策略四个维度进行分类,并指出当前方法的局限性及未来研究方向。
2026-04-11 cs.CL cs.CV cs.LG
A Comprehensive Survey of Neural Architecture Search: Challenges and Solutions
Northwest University(西北大学);Monash University(莫纳什大学);Carnegie Mellon University(卡内基梅隆大学);Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院))
深度学习由于其强大的自动表示能力,在许多领域都取得了突破和实质性的进展。事实证明,神经网络结构设计对数据的特征表示和最终性能至关重要。然而,神经结构的设计严重依赖于研究人员的先验知识和经验。由于人类固有知识的局限性,人们很难跳出原有的思维范式,设计出一个最优的模型。因此,一个直观的想法将是尽可能减少人为干预,让算法自动设计神经架构。神经网络结构搜索(NAS)正是这样一种革命性的算法,相关的研究工作复杂而丰富。因此,对非科学服务体系进行全面、系统的研究是十分必要的。以前的相关调查已经开始主要根据NAS的关键组成部分(搜索空间、搜索策略和评估策略)对现有工作进行分类。虽然这种分类方法更直观,但读者很难掌握所涉及的挑战和标志性工作。因此,在本次调查中,我们提供了一个新的视角:首先概述最早的NAS算法的特点,总结这些早期NAS算法中存在的问题,然后为后续的相关研究工作提供解决方案。并对这些作品进行了详细、全面的分析、比较和总结。最后,我们提出了一些可能的未来研究方向。
2021-03-02 cs.LG stat.ML
Human Activity Recognition using Inertial, Physiological and Environmental Sensors: a Comprehensive Survey
University of Verona(维罗纳大学);University of Florida(佛罗里达大学)
在过去的十年中,人类活动识别(HAR)已经成为一个充满活力的研究领域,特别是由于智能手机,智能手表和摄像机等电子设备在我们日常生活中的普及。此外,深度学习和其他机器学习算法的进步使研究人员能够在各种领域使用HAR,包括体育,健康和福祉应用。例如,HAR被认为是最有前途的辅助技术工具之一,通过日常活动监测老年人的认知和身体功能,以支持老年人的日常生活。本调查重点关注机器学习在开发基于惯性传感器与生理和环境传感器的HAR应用程序中的关键作用。
2020-11-19 cs.HC cs.LG eess.SP
Leveraging Machine Learning and Big Data for Smart Buildings: A Comprehensive Survey
Western Michigan University(西密歇根大学);Information Technology University(信息技术大学)
未来的建筑将为居民提供新的便利、舒适和效率。随着技术的深入,信息处理充分融入人们的日常生活活动和对象,人们的生活方式将发生变化。智能建筑的未来期望包括使居民的体验尽可能简单和舒适。智能建筑设备和设备生成和捕获的大量流数据包含有价值的信息,需要挖掘这些信息以促进及时采取行动和更好地决策。机器学习和大数据分析无疑将在实现此类智能服务的交付方面发挥关键作用。在本文中,我们调查了智能建筑领域,特别关注机器学习和大数据分析技术的作用。该调查还回顾了智能建筑服务发展的当前趋势和面临的挑战。
2019-05-19 cs.CY cs.LG stat.ML