Multi-Agent Reasoning with Adaptive Worker Allocation for Stance Detection
Kansas State University(堪萨斯州立大学)
提出一种Manager-Worker多智能体框架,通过自适应分配工人智能体进行推理级合成,而非标签级投票,在隐式和上下文依赖的立场检测上显著提升性能。
2026-06-11 cs.CL
SelfBudgeter: Adaptive Token Allocation for Efficient LLM Reasoning
State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University(多媒体信息处理国家重点实验室,计算机学院,北京大学);BandAI, Bytedance(字节跳动BandAI)
本文提出SelfBudgeter策略,通过自适应预算分配提升LLM推理效率,实验显示在数学推理任务中平均响应长度压缩61%并保持准确性。
2026-04-17 cs.AI cs.CL
Adaptive Measurement Allocation for Learning Kernelized SVMs Under Noisy Observations
Φ \Phi -lab, European Space Agency (ESA/ESRIN), Frascati, Italy(Φ \Phi 实验室,欧洲航天局(ESA/ESRIN),弗拉斯卡蒂,意大利)
本文提出了一种适应性测量分配策略,用于在噪声观测下学习核化支持向量机,通过结合几何敏感性和主动集不稳定性,优化核矩阵中决策关键区域的测量分配,从而提升支持向量恢复、边距估计和决策函数准确性。
2026-07-29 cs.LG
Adaptive Rollout Allocation for Online Reinforcement Learning with Verifiable Rewards
The Chinese University of Hong Kong(香港中文大学);Huawei Hong Kong Research Center(华为香港研究中心)
VIP通过基于方差的预测分配策略提高在线强化学习中可验证奖励的采样效率和性能。
2026-03-05 cs.AI cs.CL cs.LG
Adaptive Monte Carlo via Bandit Allocation
University of Alberta(阿尔伯塔大学)
我们考虑在一组无偏蒙特卡罗估计之间顺序选择的问题,以最小化最终组合估计的均方误差(MSE)。通过减少这个任务的随机多臂强盗问题,我们表明,发达的分配策略可以用来实现MSE的方法,在回顾中选择的最佳估计。然后,我们扩展这些发展的情况下,替代估计有不同的,可能是随机的成本。结果是一组新的自适应蒙特卡罗策略,提供比以前的方法更强的保证,同时提供实际的优势。
2014-05-13 cs.AI cs.LG
Adaptive LoRA Experts Allocation and Selection for Federated Fine-Tuning
University of Florida(佛罗里达大学);Middle Tennessee State University(中田纳西州立大学)
针对联邦微调中LoRA专家数量分配与客户端选择难题,提出FedLEASE框架,通过表示相似性聚类分配领域专家并采用自适应top-M专家混合机制,在异构客户端下显著提升性能并保持通信效率。
2025-10-10 cs.LG
Addressing Budget Allocation and Revenue Allocation in Data Market Environments Using an Adaptive Sampling Algorithm
Booth School of Business, University of Chicago(芝加哥大学布斯商学院);Department of Computer Science, University of Chicago(芝加哥大学计算机科学系)
针对数据市场中预算分配与数据提供者收益分配难题,本文提出一种线性时间自适应采样算法,可同时高效选数据、计补偿,并具备 Shapley 式性质与集中式、联邦式部署能力。
2023-06-05 cs.LG
Learning How Hard to Think: Input-Adaptive Allocation of LM Computation
Massachusetts Institute of Technology(麻省理工学院)
针对现有语言模型对所有输入采用相同解码流程、计算资源分配不合理的问题,提出基于输入预测奖励分布的自适应计算分配方法,应用于两种解码流程,可在保证质量的同时减耗或在固定预算下提质。
2024-10-07 cs.AI cs.CL cs.LG
LAARA: Layer-Aware Adaptive Rank Allocation for Parameter-Efficient Fine-Tuning
Indian Institute of Technology, Patna(印度理工学院巴特那分校)
研究针对低秩自适应中各层适应需求不同但现有方法统一分配适配器秩的问题,提出LAARA框架,利用轻量级对角Fisher估计动态分配秩,结合多种机制,实验表明其在少参数情况下性能优于现有方法,为自适应参数高效微调提供基础。
2026-07-23 cs.AI cs.LG
Gesture-Aware Indoor THz ISAC Systems for Adaptive Resource Allocation
King’s College London(伦敦国王学院)
针对太赫兹频段多用户室内集成感知与通信系统,提出基于扩展卡尔曼滤波手势跟踪的自适应联合优化算法,通过动态调整功率分配和波束赋形,在满足手势相关通信服务质量约束下最大化感知信干噪比。
2026-05-28 cs.IT cs.LG math.IT
Fine-Tuning Language Models with Differential Privacy through Adaptive Noise Allocation
Queen’s University(女王大学);Ingenuity Labs Research Institute(Ingenuity Labs 研究院);J.P. Morgan AI Research(摩根大通人工智能研究院)
本文提出ANADP算法,根据参数重要性自适应分配差分隐私噪声,在保持隐私约束的同时缩小了常规微调与差分隐私微调的性能差距。
2024-10-03 cs.AI cs.CL cs.CR
AdaMem: Adaptive Memory Token Allocation for Soft Compression in Retrieval-Augmented Generation
AdaMem提出相关性引导的软压缩框架,按查询相关性动态分配记忆令牌预算,在开放域QA基准上优于均匀分配基线,显著提升压缩效率与答案质量。
2026-09-22 cs.CL cs.IR cs.LG
Adaptive Rank Allocation: Speeding Up Modern Transformers with RaNA Adapters
Institute of Computational and Mathematical Engineering, Stanford University(计算与数学工程研究所,斯坦福大学);Department of Computer Science, Stanford University(计算机科学系,斯坦福大学)
本文提出自适应秩分配框架及 RaNA 适配器,通过低秩分解与自适应掩码在线性层上高效分配计算,克服神经元自适应方法依赖稀疏激活和不兼容注意力层等局限,在减少约44% FLOPs的同时显著提升困惑度和准确率。
2025-05-06 cs.LG
VStress: Correlation-Aware Auditing and Adaptive Budget Allocation for Repeated Verifiers
University of Chinese Academy of Sciences(中国科学院大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
VStress通过相关性感知审计和自适应预算分配,将重复验证器的相关性从事后警告转为可审计决策,提升平衡准确率并控制成本。
2026-10-19 cs.AI cs.CL cs.CR
BaRA: Bayesian Adaptive Rank Allocation for Parameter-Efficient Fine-Tuning
提出BaRA框架,通过贝叶斯方法动态分配自适应秩,激活稀疏潜在因子实现实例级秩变化,提升预测性能与不确定性校准。
2026-06-28 cs.LG
Adaptive Resources Allocation CUSUM for Binomial Count Data Monitoring with Application to COVID-19 Hotspot Detection
Arizona State University(亚利桑那州立大学);Georgia Institute of Technology(佐治亚理工学院);Fred Hutchinson Cancer Research Center(弗雷德·哈钦森癌症研究中心)
在本文中,我们提出了一个有效的统计方法(表示为“自适应资源分配”),鲁棒性和有效地检测有限的采样资源的热点。我们的主要思想是结合多臂强盗(MAB)和变点检测方法,以平衡的探索和开发的资源分配热点检测。此外,贝叶斯加权更新用于更新感染率的后验分布。然后,置信上界(UCB)用于资源分配和规划。最后,通过CNOUM监控统计数据来检测更改点以及更改位置。在性能评估方面,我们将所提出的方法与文献中的几种基准方法进行了性能比较,结果表明所提出的算法能够实现更低的检测延迟和更高的检测精度。最后,将该方法应用于华盛顿州县级每日阳性COVID-19病例的真实案例研究中的热点检测,并在非常有限的分布式样本下证明了该方法的有效性。
2022-08-17 cs.LG stat.AP stat.ME
Deep Latent Dirichlet Allocation with Topic-Layer-Adaptive Stochastic Gradient Riemannian MCMC
针对深度离散潜变量模型(LVMs)开发基于随机梯度的可扩展推理是具有挑战性的,这是由于不仅难以计算梯度,而且难以使步长适应不同的潜在因子和隐藏层。对于泊松伽马信念网络(PGBN),最近提出的深度离散LVM,我们推导出一种替代表示,被称为深度潜在狄利克雷分配(DLDA)。利用数据增广和边缘化技术,我们推导出一个块对角费舍尔信息矩阵和它的逆单形约束的全球模型参数的DLDA。利用费舍尔信息矩阵与随机梯度MCMC,我们提出了主题层自适应随机梯度黎曼(TLASGR)MCMC,共同学习单纯形约束的全局参数在所有层和主题,主题和层特定的学习率。在大数据集上展示了最先进的结果。
2017-06-06 cs.LG stat.CO stat.ML
ATA: Adaptive Task Allocation for Efficient Resource Management in Distributed Machine Learning
本文提出ATA自适应任务分配方法,在未知异构计算时间下实现分布式机器学习的最优资源分配,理论证明其性能媲美有先验知识的方法,实验显示显著降低成本。
2025-05-22 cs.DC cs.LG math.OC
ASFL: An Adaptive Model Splitting and Resource Allocation Framework for Split Federated Learning
Department of Electrical and Computer Engineering, The University of British Columbia, Vancouver, Canada(电气与计算机工程系,不列颠哥伦比亚大学);Department of Computer Science and Engineering, Southern University of Science and Technology, China(计算机科学与工程系,南方科技大学)
ASFL框架通过自适应模型分割和资源分配优化,在无线网络中提升联邦学习的收敛速度和效率。
2026-02-19 cs.AI cs.LG
Adaptive Reinforcement Learning for Dynamic Configuration Allocation in Pre-Production Testing
University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文提出一种将配置分配重构为序列决策问题的强化学习框架,首次结合Q学习与混合奖励设计,并开发自适应在线-离线训练方案,在模拟中优于静态基线,接近最优性能。
2025-10-02 cs.LG cs.SE stat.ML
An adaptive stochastic optimization algorithm for resource allocation
CMLA, ENS Cachan CNRS, Université Paris-Saclay(巴黎萨克雷大学法国国家科学研究中心卡尚高等师范学校计算数学与应用实验室);CREST, ENSAE(法国国立统计与经济管理学院经济与统计研究中心);Criteo AI Lab(Criteo人工智能实验室)
我们考虑经典的顺序资源分配问题,决策者必须反复划分几个资源之间的预算,每个资源的收益递减。这可以被重新定义为一个特定的随机最优化问题,其目标是最大化累积奖励,或者等价地最小化遗憾。我们构造了一个算法,是{ \em自适应}的问题的复杂性,表示在资源的回报率的规律性,衡量的指数在Eschojasiewicz不等式(或其通用的参数)。我们的参数无关算法恢复强凹函数的最优速率和多臂强盗的经典快速速率(线性奖励函数)。此外,该算法改进了现有的结果随机最优化在这种遗憾最小化设置为中间的情况下。
2020-01-16 cs.LG math.OC stat.ML
Adaptive Experimentation for Censored Survival Outcomes
LMU Munich(慕尼黑大学);Munich Center of Machine Learning (MCML)(慕尼黑机器学习中心)
本文提出了一种新的适应性实验框架,用于在右截断情况下估计因果效应,通过推导平均生存效应曲线的半参数效率界限,得到闭合形式的效率最优分配策略,并通过数值实验展示了与均匀随机化和截断无关基线相比的一致效率提升。
2026-05-18 cs.LG stat.ML
Minimax and Bayes Optimal Adaptive Experimental Design for Treatment Choice
本文提出了一种最小最大与贝叶斯最优的自适应实验设计方法,通过分阶段估计标准差并按比例分配治疗以优化治疗选择的后悔上界。
2025-12-09 cs.LG econ.EM math.ST
Adaptive Principal Components Allocation with the $\ell_{2,g}$-regularized Gaussian Graphical Model for Efficient Fine-Tuning Large Models
The University of British Columbia(不列颠哥伦比亚大学)
本研究首次将高斯图模型应用于参数高效微调任务,提出基于$\u2113_{2,g}$范数的自适应主成分分配方法,用BCD算法求解非凸优化问题,在GLUE基准上微调RoBERTa-Base时以更少可训练参数取得了有竞争力的性能。
2024-12-11 cs.LG
Adaptive Task Allocation for Asynchronous Federated and Parallelized Mobile Edge Learning
University of Idaho(爱达荷大学);Queen’s University(女王大学)
本文提出了一种方案,以异步方式有效地执行分布式学习任务,同时最大限度地减少梯度老化的异构计算和通信能力的无线边缘节点。本文中考虑的方法确保所有设备在一定的持续时间内工作,该持续时间涵盖数据/模型分发、学习迭代、模型收集和全局聚合的时间。所得到的问题是一个整数非凸规划,二次等式约束以及线性等式和不等式约束。由于该问题是NP-难的,我们放松了整数约束,以便有效地解决它与可用的求解器。分析边界推导出使用KKT条件和拉格朗日分析结合的最佳和改进的方法。实验结果表明,该方法降低了梯度失效率,并能提供更好的准确性比同步计划和异步计划的平等任务分配。
2020-06-18 cs.DC cs.LG
Adaptive Task Allocation for Mobile Edge Learning
Department of Elecrical and Computer Engineering, University of Idaho(爱达荷大学电气与计算机工程系)
本文的目的是建立一个新的优化范式,实现现实的分布式学习算法,性能保证,在无线边缘节点异构计算和通信能力。我们将把这种新的范例称为“移动边缘学习(MEL)”。本文研究了MEL的动态任务分配问题,目标是在保证异构通道上数据分布/聚集的总次数和异构节点上的局部计算迭代次数均受预定持续时间限制的情况下,最大限度地提高学习精度.该问题首先制定为一个二次约束整数线性问题。作为一个NP难问题,本文将其松弛为实变量上的非凸问题。因此,我们提出了两个解决方案的基础上推导出的最优解的解析上界,这个放松的问题,使用拉格朗日分析和KKT条件,并使用最短和改进从平等的批量分配,分别。这些建议的解决方案的优点是通过比较其性能的数值方法和平等的任务分配方法。
2019-01-30 cs.DC cs.LG cs.NI
Phase-Adaptive LLM Framework with Multi-Stage Validation for Construction Robot Task Allocation: A Systematic Benchmark Against Traditional Optimization Algorithms
Virginia Tech(弗吉尼亚理工大学)
本文提出LTAA框架,结合LLM推理与结构化验证,实现施工机器人任务分配的高效协调,展示LLM在任务分配中的优越性能和可解释性。
2025-12-02 cs.AI cs.LG cs.RO
Optimal Regularized Online Allocation by Adaptive Re-Solving
HKUST(香港科技大学)
针对非凹奖励、硬约束和不可分离正则化的在线资源分配问题,提出自适应更新约束的对偶重求解框架,以近似解获得最优对数遗憾并消除 log-log 因子。
2023-07-16 cs.IT cs.LG math.IT
Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints
University of Virginia(弗吉尼亚大学);University of Pennsylvania(宾夕法尼亚大学);University of Cambridge(剑桥大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
I期剂量探索试验越来越具有挑战性,因为新化合物(或其组合)的疗效和毒性之间的关系变得更加复杂。尽管如此,实践中最常用的方法集中于通过仅从毒性事件中学习来确定最大耐受剂量(MTD)。我们提出了一种新的适应性临床试验方法,称为安全有效性探索剂量分配(SEEDA),其目的是最大限度地提高累积疗效,同时满足高概率的毒性安全约束。我们评估了在实际临床试验中具有操作意义的性能目标,包括累积疗效、推荐/分配成功概率、毒性违背概率和样本效率。一个扩展的SEEDA-Plateau算法,是专为分子靶向药物(MTA)的疗效增加,然后平台的行为。通过使用合成和真实世界数据集的数值实验,我们表明SEEDA通过找到具有更高成功率和更少患者的最佳剂量来优于最先进的临床试验设计。
2020-06-15 cs.LG stat.AP stat.ME
IGU-LoRA: Adaptive Rank Allocation via Integrated Gradients and Uncertainty-Aware Scoring
IGU-LoRA通过计算层内集成梯度敏感度并结合不确定性感知方案,实现自适应秩分配,提升参数高效微调效果。
2026-03-14 cs.AI cs.LG
Adaptive shot allocation for fast convergence in variational quantum algorithms
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of California, Berkeley(加州大学伯克利分校);University of Waterloo(滑铁卢大学)
变分量子算法(VQA)是近期量子计算机上的化学和材料科学等实际应用的一种有前途的方法,因为它们通常减少量子资源需求。然而,为了实现VQA,需要一个有效的经典优化策略。在这里,我们提出了一种新的随机梯度下降方法,在每个步骤中使用自适应的镜头数,称为全局耦合自适应镜头数(gCANS)方法,它改进了现有技术的迭代次数以及所需的镜头数。这些改进减少了在当前云平台上运行VQA所需的时间和金钱。我们分析证明,在凸设置gCANS实现几何收敛到最佳。此外,我们数值研究的性能gCANS对一些化学配置问题。我们还考虑寻找具有不同自旋数的伊辛模型的基态,以检验该方法的标度性。我们发现,对于这些问题,gCANS相比,我们考虑的所有其他优化。
2021-08-23 cs.LG quant-ph
ASTER: Adaptive Spatio-Temporal Early Decision Model for Dynamic Resource Allocation
University of New South Wales(新南威尔士大学);Data61, CSIRO(Data61,CSIRO)
ASTER提出自适应时空早期决策模型,通过资源感知交互模块和多目标强化学习智能体,将预测直接转化为资源分配决策,在四个基准数据集上提升早期预测准确性和分配效率。
2025-06-22 cs.AI cs.LG
Adaptive Resource Allocation for Semantic Communication Networks
Nanjing University of Posts and Telecommunications(南京邮电大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Zhejiang Lab(之江实验室);Zhejiang University(浙江大学);Tsinghua University(清华大学)
本文针对动态无线环境下语义通信资源分配难题,提出基于语义比特量化的自适应资源分配范式,并通过混合深度强化学习联合优化波束成形、比特数、子信道和带宽,实现最高13%的SC-QoS性能提升。
2023-12-02 cs.AI cs.IT cs.LG
Finite-Time Analysis of Round-Robin Kullback-Leibler Upper Confidence Bounds for Optimal Adaptive Allocation with Multiple Plays and Markovian Rewards
University of California Berkeley(加州大学伯克利分校)
我们研究了经典的随机多臂强盗问题,其中涉及多个播放和马尔可夫奖励休息强盗设置的扩展。为了解决这个问题,我们考虑一个自适应的分配规则,在每个阶段结合的信息从样本均值的所有武器,与Kullback-Leibler上界的一个单一的手臂,这是在循环的方式选择。对于由单参数指数族马尔可夫链产生的报酬,我们给出了这种自适应分配规则所引起的后悔的有限时间上界,揭示了后悔对时间范围的对数依赖性,并且是渐近最优的.对于我们的分析,我们设计了几个浓度的结果,马尔可夫链,包括极大不等式的马尔可夫链,这可能是感兴趣的,在自己的权利。作为我们的分析的副产品,我们还建立了渐近最优,有限时间保证的情况下,多个播放,和独立同分布。从概率密度的单参数指数族中提取的奖励。此外,我们提供的模拟结果表明,计算Kullback-Leibler置信上限在循环的方式,是显着更有效的比计算它们在每一轮的每个手臂,这两种方法的预期遗憾的行为相似。
2020-07-13 cs.LG math.ST stat.ML
Learning Multiple Markov Chains via Adaptive Allocation
Inria Lille – Nord Europe(法国国家信息与自动化研究所里尔-北欧洲分所)
我们研究的问题学习的转移矩阵的一组马尔可夫链从一个单一的流的观察每个链。我们假设马尔可夫链是遍历的,但在其他方面未知。学习器可以顺序地对马尔可夫链进行采样以观察它们的状态。学习器的目标是顺序地选择各种链来学习关于某个损失函数的一致良好的转移矩阵。我们引入了一个损失的概念,自然扩展的平方损失的学习分布的马尔可夫链的情况下,并进一步表征的概念是\emph{uniformly good}在所有的问题实例。我们提出了一种新的学习算法,有效地平衡\emph{exploration}和\emph{exploitation}固有的这个问题,没有任何先验知识的链。我们提供有限样本PAC型保证算法的性能。此外,我们表明,我们的算法渐近达到最佳的损失。
2019-11-13 cs.LG stat.ML
Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels
The University of Hong Kong(香港大学);LG Electronics(LG电子);University of Oulu(奥卢大学)
在本文中,我们考虑分区边缘学习(PARTEL),它实现了参数服务器的训练,一个众所周知的分布式学习方法,在无线网络中。因此,PARTEL利用边缘设备处的分布式计算资源,通过将模型动态地划分为参数块以用于在设备处单独更新来训练大规模人工智能(AI)模型。针对宽带信道,我们考虑了参数分配、子信道分配和发射功率的联合控制,以提高PARTEL的性能。具体而言,联合子载波,参数和功率分配(SUPPORT)的政策下,最小的学习延迟的标准进行了优化。考虑两种情况。首先,对于可分解模型的情况(例如,逻辑回归),延迟最小化问题是一个混合整数规划和非凸的。由于它的棘手性,我们开发了一个实用的解决方案,整数松弛和转换成一个等价的凸问题的模型大小最大化下的延迟约束。因此,设计了一种低复杂度的算法来计算SUPPORT策略。其次,考虑深度神经网络(DNN)模型的情况,其可以通过引入一些辅助变量使用PARTEL来训练。然而,这引入了对模型划分的限制,从而降低了参数分配的粒度。通过应用所提出的负载舍入和比例调整技术来控制由负载粒度约束引起的延迟扩展,将上述策略扩展到DNN模型。
2021-03-18 cs.IT cs.LG math.IT
Adaptive Budget Allocation for Orthogonal-Subspace Adapter Tuning in LLMs Continual Learning
Beijing University of Posts and Telecommunications(北京邮电大学);Pengcheng Laboratory(鹏城实验室);University of Houston(休斯顿大学)
针对大语言模型持续学习中的灾难性遗忘问题,提出OA-Adapter方法,将动态预算分配与正交子空间学习统一于端到端训练,在提升准确率的同时减少58.5%参数。
2025-10-16 cs.AI cs.LG
Deep Adaptive Rate Allocation in Volatile Heterogeneous Wireless Networks
Deutsche Telekom(德国电信)
本文提出DARA调度器,结合Transformer路径状态预测与深度强化学习,解决高机动环境下的多接入连接挑战,提升网络稳定性和性能。
2026-03-21 cs.IT cs.LG math.IT
MGAA: Multi-Granular Adaptive Allocation fof Low-Rank Compression of LLMs
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences(多模态人工智能系统国家重点实验室,自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);School of Computer Science and Cyber Engineering, Guangzhou University(广州大学计算机科学与网络工程学院)
本文提出多粒度自适应分配方法MGAA,通过子层间余弦相似度和子层内能量分布特征自适应分配低秩压缩比,无需任务特定评估即可提升LLMs及多模态模型压缩性能。
2025-07-04 cs.AI cs.LG
Dynamic Allocation Hypernetwork with Adaptive Model Recalibration for FCL
National University of Singapore(新加坡国立大学);Southeast University(东南大学);Institute of High Performance Computing, A*STAR(新加坡科技研究局高性能计算研究所);Case Western Reserve University(凯斯西储大学)
针对联邦持续学习中存在的灾难性遗忘与异步任务优化偏差问题,提出带自适应模型重校准的动态分配超网络方法FedDAH,在医疗场景AMOS数据集上的表现优于现有方法。
2025-03-23 cs.CV cs.LG
Dynamic Allocation Hypernetwork with Adaptive Model Recalibration for Federated Continual Learning
National University of Singapore(新加坡国立大学);Southeast University(东南大学);Institute of High Performance Computing, A*STAR(新加坡科技研究局高性能计算研究所);Case Western Reserve University(凯斯西储大学)
针对联邦持续学习中的灾难性遗忘和偏置优化问题,提出FedDAH,结合动态分配超网络与自适应模型重校准,在AMOS数据集上验证了优越性。
2025-03-25 cs.CV cs.LG
Intuitive Programming, Adaptive Task Planning, and Dynamic Role Allocation in Human-Robot Collaboration
本综述聚焦人机协作(HRC)中人类被动参与、机器人难适配的问题,识别并连接直观信息交换与技能转移的关键组件,考察交互全流程,为更自适应、易访问的HRC指明趋势与方向。
2025-11-11 cs.AI cs.LG cs.RO
Capacity Confounds and Coverage Guarantees in Adaptive Sub-model Federated Learning
该研究以HAS-FL为案例,发现自适应子模型联邦学习中更新差异估计受容量混淆影响,自适应分配存在失效模式,且其收益源于容量预算与覆盖,而非分配智能。
2026-10-20 cs.DC cs.LG
Adaptive Budget Optimization for Multichannel Advertising Using Combinatorial Bandits
Sony(索尼);EPFL(洛桑联邦理工学院)
本文针对数字广告预算分配在非平稳环境中的适应性问题,提出一种结合饱和均值函数、定向探索和变点检测的组合赌博机策略,并通过仿真与真实数据验证其优于基线方法。
2025-02-05 cs.AI cs.LG
Adaptive Sparse Allocation with Mutual Choice & Feature Choice Sparse Autoencoders
MATS
针对TopK SAEs固定每token活跃特征数的局限,提出特征选择与互选SAEs,实现自适应稀疏分配,并引入aux_zipf_loss减少死特征,提升重建质量。
2024-11-07 cs.AI cs.LG
CR-BLEA: Contrastive Ranking for Adaptive Resource Allocation in Bilevel Evolutionary Algorithms
School of Informatics, Xiamen University(厦门大学信息学院);Department of Artificial Intelligence, Sichuan University(四川大学人工智能学院)
针对双层进化算法中下层任务冗余评估导致的资源浪费,提出基于对比排序网络的自适应资源分配框架,在五种先进算法上验证可降本并保持或提升精度。
2025-06-03 cs.AI cs.LG cs.NE
Adaptive Model Compression (AMC): Saliency-Driven Resource Allocation for Ultra-Low-Power Transformer Inference
Apple USA(苹果公司(美国))
研究在资源受限边缘设备部署大规模变压器模型的挑战,提出基于令牌重要性动态分配资源的自适应模型压缩框架AMC,实验证明该方法能降低能耗、提高吞吐量,有效延长移动设备电池寿命,精度略有下降。
2026-07-14 cs.AI cs.AR cs.IR
Physiological Information Reliability: Cross-Layer Adaptive Resource Allocation for Cardiovascular Sensing
Saveetha School of Engineering(萨维塔工程学院);Government Kilpauk Medical College and Hospital(政府基尔帕医学院及医院);SRM Institute of Science and Technology(SRM科学技术学院)
该研究提出PIR跨层框架,结合上下文多臂老虎机等技术实现心血管感知的自适应资源分配,经实验验证其可在满足医疗延迟约束的同时实现低能耗,具备良好性能。
2026-09-02 cs.LG cs.NI eess.SP
ARTA: Adaptive Mixed-Resolution Token Allocation for Efficient Dense Feature Extraction
Chalmers University of Technology(查尔姆斯理工大学)
ARTA通过自适应混合分辨率令牌分配实现高效密集特征提取,通过轻量级分配器预测需要更多精细令牌的区域,提升边界敏感度并减少计算量。
2026-03-27 cs.AI cs.CV cs.LG
Adaptive Length Image Tokenization via Recurrent Allocation
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
提出一种基于循环分配的图像令牌化方法,通过递归处理将图像压缩为可变数量的令牌(32-256),令牌数随图像熵和任务需求自适应,并展现令牌专业化潜力。
2024-11-04 cs.AI cs.CV cs.LG
Convergence-Latency-Aware Adaptive Modulation and Resource Allocation in RIS-Assisted Wireless Federated Learning
Broadband Access Network Laboratory, Shanghai Jiao Tong University(宽带接入网络实验室,上海交通大学);School of Information Science and Engineering, Southeast University(信息科学与工程学院,东南大学);Data61, CSIRO(数据61,联邦科学与工业研究组织);Department of Electronic and Electrical Engineering, University College London(电子与电气工程系,伦敦大学学院);School of Internet of Things Engineering, Jiangnan University(物联网工程学院,江南大学)
针对无线网络联邦学习中训练延迟和收敛性问题,考虑RIS辅助阻塞链路场景,通过刻画符号错误影响得出收敛上限,将联合收敛-延迟优化问题转化为MINLP问题,用低复杂度框架求解,实验表明该方案收敛快、准确率高。
2026-07-23 cs.AI cs.IT cs.LG