MMJun, 2021

适应动态环境和任务的统一认知学习框架

PDF
TL;DR提出了一种统一的认知学习（CL）框架，它受灵长类动物大脑认知机制的启发，具有动态适应环境和任务的能力、自我学习能力，以及优秀驱逐劣质能力；并且经过了基于公开权威数据集的验证，可以丰富当前的学习框架并扩大应用范围。
machine learningwireless communicationscognitive learningadaptationself-learning
发现论文，激发创造
  • 连续学习的统一通用框架

    该研究提出了一个统一框架来解决连续学习中的灾难性遗忘问题，并引入了一种创新的概念 —— 刷新学习，通过重新学习当前数据来提高学习性能，在连续学习基准测试和理论分析中取得了有效的结果。

    Mar, 2024

  • 学习在随机动态环境中持续优化无线资源

    本文提出了一种在动态环境中实现数据驱动方法持续学习和优化的方法，通过将持续学习（CL）概念融入到无线系统学习的建模过程中，使学习模型不断适应新的情境，同时不忘记从前几次情境中学习的知识，并针对两种流行的基于深度神经网络的模型进行定制。数值结果表明，所提出的 CL 方法不仅能够迅速而无缝地适应新场景，而且在先前遇到的场景中保持高性能。

    Nov, 2020

  • 通过认知无线电和机器学习实现智能无线通信

    本文讨论了智能无线通信、认知无线电、机器学习技术的发展，以及它们在提高动态无线环境下的频谱和能量效率方面的作用和现实应用，并且指出了认知无线电和机器学习在现有和未来无线通信系统中面临的进一步研究挑战。

    Oct, 2017

  • 认知学习辅助的多天线通信

    本文重点讨论了深度学习在认知系统中的应用，探讨了用于解决多天线认知通信中的数据复杂性和无线信道动态等挑战的多种基于深度学习的方法，包括联邦学习、迁移学习和在线学习等。我们提出了一些解决这些挑战的深度学习设计方案，包括量化学习模型、数据 / 模型并行化和分布式学习方法。

    Oct, 2020

  • 自适应权重下的持续学习（CLAW）

    引言一个新的叫做 Continual Learning with Adaptive Weights (CLAW) 的做法，基于概率建模和变分推理来解决深度学习中连续学习的问题。实验表明，在分类准确率和解决 Catastrophic Forgetting 两个方面，CLAW 在六个项目中均取得了最先进的表现。

    Nov, 2019

  • 成本感知连续学习中的快速上下文适应

    本文探讨了在 5G 等新型网络中，如何平衡学习过程和用户数据平面的资源需求，并提出了一种动态策略来达成资源的有效利用和数据保障。研究结果表明，该方法在减少对用户 QoS 干扰的同时，可以比传统静态分配方法更快地达到高效的资源分配策略，达到了一个近似理想离线联邦学习解决方案的性能。

    Jun, 2023

  • 在图序列上连续学习 -- 动力系统方法

    本文提出了一种适应性动态规划的视角来处理图形的 Continual learning 问题，建立起一种学习新任务和记忆以前学习任务之间的两人博弈模型，并且通过在多个图形基准下的综合消融研究证明了其表现的最先进性。

    May, 2023

  • ECLM: 高效的边缘 - 云协作学习与持续环境适应

    通过 ECLM 边缘云协作学习框架，将边缘和云模型高效协作，在动态边缘环境中提高模型性能和资源利用效率。

    Nov, 2023

  • 智能无人系统中协作感知的任务导向无线通信

    通过提出一个面向任务的无线通信框架，本文旨在共同优化通信方案和合作感知（Collaborative Perception, CP）过程，以解决实现 CP 所面临的关键挑战。研究提出了适应性压缩和强健融合方法，目的是在无线通信限制下提取和利用最有价值的语义信息；同时还提出了一种面向任务的分布式调度算法，以在动态环境中识别最佳合作者。通过在连接自动驾驶场景中进行案例研究来验证所提出的框架，并确定了几个未来研究方向。

    Jun, 2024

  • 面向 MOOC 的自适应学习通用预训练框架

    本篇论文提出利用预训练技术将深度学习应用于自适应学习的实践探索，并在数据观察和学习风格分析的基础上提出了一个统一的框架。通过一系列的下游任务，如学习推荐、学习资源评估、知识跟踪和辍学预测，发现了课程结构、文本和知识对于建模和学生非连续学习行为具有帮助，源代码和数据集将公开发布。

    Jul, 2022