Sep, 2022

一个集成的多智能体系统用于非线性分类

PDF
TL;DRsmapy 是一种基于集成学习和自适应多智能体系统的移动性预测实现方案，并提出了一种详细的方法，通过系统的合作学习方法的使用，证明可以在非线性分类环境下使用线性模型，并在交通模式检测数据集上实现了良好的表现。
self-adaptive multi-agent systemsmachine learningcooperationmobility predictionlinear models
发现论文，激发创造
  • 如何使用协作瓦片多智能体系统解决分类问题？

    该论文介绍了 smapy，一个基于集成的 AMAS 实现，应用于移动预测，其代理具备机器学习模型以及合作规则，通过协作式的多智能体结构中将分类问题转化为输入变量空间的合作瓦片图。实验结果表明，线性分类器在非线性场景下经过合作式的多智能体方法，在分类准确性和决策边界方面显示出了显着的改进。

    Sep, 2022

  • 基于自适应大型语言模型（LLM）的多智能体系统

    本文提出将大型语言模型（LLMs）融入多智能体系统（MASs）中来实现其自适应，并通过一个基于 MAS 的应用进行实践说明，从而为 MAS 的自适应提供新的范式。

    Jul, 2023

  • 利用信念地图辅助训练的多智能体合作游戏

    多智能体系统中，使用消息传递系统共享本地观察以获得全局情境感知，进而影响智能体间协作的有效性。本文提出 Belief-map Assisted Multi-agent System (BAMS)，利用神经符号信念映射来增强训练，通过简单的符号表示实现从反馈到学习的额外通道。与强化学习中来自奖励的间歇性和延迟反馈相比，信念映射提供更一致可靠的反馈，BAMS 模型在合作狩猎游戏中表现更好。实验结果显示，BAMS 减少了 66% 的训练周期，使用 BAMS 的智能体平均少完成了 34.62% 的步骤。

    Jun, 2024

  • 深度学习异常模型的需求获取和规范化：以无人机飞行控制器应用为例

    该研究提出了 RESAM，它是一种集成领域专家知识、讨论论坛和正式产品文档的需求过程，用于发现和指定构建有效深度学习异常检测器的时间序列属性的需求和设计定义。以小型无人机飞行控制系统为案例进行了研究，并演示了 RESAM 的使用在构建有效异常检测模型的同时，提供了可解释性的支持。

    Jul, 2022

  • AM-SORT：多目标跟踪的可调整运动预测器与历史轨迹嵌入

    通过引入适应性的运动预测器，即 AM-SORT，将卡尔曼滤波器替换为转换器架构，我们提出了一种基于运动的多目标跟踪方法，从而解决了在涉及非线性运动和遮挡情景时估计未来物体位置的限制。AM-SORT 通过历史轨迹嵌入到转换器中，提取一系列边界框的时空特征，实现了与 DanceTrack 上最先进的跟踪器相当的性能，达到了 56.3 的 IDF1 和 55.6 的 HOTA。我们进行了大量实验证明了我们的方法在预测遮挡下的非线性运动方面的有效性。

    Jan, 2024

  • 自监督学习的自适应记忆网络用于无监督异常检测

    本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

    Jan, 2022

  • 多分辨率物理模拟的可控适应学习

    提出了一种全深度学习的代理建模方法，名为 LAMP，基于图神经网络进行前向建模和空间精度升级策略的学习。该方法通过加权误差和计算成本的目标函数进行优化，从而可以在推断时自适应地处于误差和计算成本的平衡点，实现了在多分辨率动态系统中的性能提升，并在非线性偏微分方程和网格模拟方面取得了优越的结果。

    May, 2023

  • 稀疏加性模型

    本文介绍了一种新的高维非参数回归和分类方法 —— 稀疏加性模型（SpAM）。该方法将稀疏线性建模和加性非参数回归的思想结合起来，可以处理样本量小于协变量数的情况，并且能够使用任意非参数平滑器。实验结果证明，该方法能够有效地拟合高维数据中的稀疏非参数模型。

    Nov, 2007

  • 通过 QoS 感知的模型切换实现自适应的机器学习增强系统

    通过使用多个模型，我们提出了一种用于管理与机器学习模型相关的运行时不确定性的机器学习模型平衡器的概念，并引入了 AdaMLS，一种新颖的自适应方法，它利用这个概念并扩展了传统的 MAPE-K 循环以实现连续的机器学习系统自适应。AdaMLS 通过使用轻量级无监督学习进行动态模型切换，从而确保了一致的服务质量。通过一个自适应目标检测系统原型，我们展示了 AdaMLS 在平衡系统和模型性能方面的有效性。初步结果表明，AdaMLS 在服务质量保证方面超过了天真方法和单一最先进的模型，标志着在动态环境中实现自适应机器学习系统的优化服务质量的进展。

    Aug, 2023

  • ES-MAML: 简化无 Hessian 元学习

    提出了 ES-MAML 框架，基于进化策略（ES）解决了模型无关元学习（MAML）问题，避免了使用随机策略进行反向传播估计二阶导数时的问题，并可以处理新类型的非光滑适应算子，并且与现有方法竞争力强，经常在查询较少情况下产生更好的自适应。

    Sep, 2019