本文针对流体过程的持续监测问题，提出了一种基于预测模型的自适应采样算法（PASST），该算法利用深度学习模型进行路径规划，采样数据用于更新初始状态以改进预测性能，并通过强化学习算法进行路径规划，实现在给定时间范围内对流体过程进行高效可靠的监测和采样。

Apr, 2023

该研究提出了一种适应性采样算法，能够在单处理器计算中对数据进行概括，同时提供了一种在旋门流数据上执行的采样算法，同时进行了容器选择、子空间逼近、投影聚类和体积最大化等各种类型的数据概括算法。

Apr, 2020

该论文提出了一种基于信息增益的算法，使用包括单点在内的矩形区域的噪声平均值来主动收集数据来搜索稀疏信号，并在 1D 中对其进行分析，展示了其与其他算法的较高效率表现，并使用卫星图像数据和高维中的搜索问题证明了其实际表现。

Dec, 2016

我们引入了自适应调度的自适应采样作为构建词性标注器机器学习的一种新方法，目标是加速在大数据集上的训练，同时不显著损失性能。我们的算法通过分析学习曲线的形状几何特征，结合功能模型，在任何时间点上增加或减少采样间隔，从而证明了其在理论上的正确性。此外，通过更加关注训练数据中性能暂时膨胀的区域，我们提高了采样的鲁棒性，防止学习过早停止。该提议经过可靠性评估，验证了模型收敛性，符合我们的预期。虽然测试时使用了具体的停止条件，但用户可以根据自己的特定需求选择任何条件。

Feb, 2024

本文提出了一种新的传感器放置问题的建模方法，在连续型赌臂问题框架下通过 Thompson sampling、Bayesian 直方图等方法进行求解，并使用模拟实验验证了本方法与其他竞争算法相比具有更低、更稳定的贝叶斯遗憾值。

May, 2019

提出了一种新算法，用于从子采样测量中无监督地学习稀疏表示并估计用于从稀疏编码线性重构信号的参数，进一步证明该算法在数据压缩方面效率与压缩采样的最近方法相当，同时演示在堆叠多层或在欠完备或过完备情况下应用时该算法的鲁棒性，该算法能够解释大脑中接收通过纤维瓶颈的子采样输入的神经群体如何形成连贯的响应特性。

Nov, 2010

研究采用算法为单个机器人提供自我定位控制，从而提高机器人群体的集体智能和自治。

Feb, 2023

分析了同步对分布式随机梯度算法的影响。通过模拟生物群体感应模型，量化了同步如何显着减少分布式代理和它们的空间平均值感受到的噪声幅度，从而降低了随机梯度逼近所施加的损失函数的平滑性，并通过对模型非凸目标的模拟，证明耦合可以稳定更高的噪声水平并提高收敛性。

Dec, 2018

本文介绍了利用扩散策略开发分布式算法解决多任务问题的方法，通过最小化适当的均方误差标准和 L2 正则化共同推断在网络覆盖区域内需要推断的多个最佳参数向量。在本文中，分析了算法在平均值和均方误差意义下的稳定性和收敛性，并进行了模拟以验证理论发现，同时还说明了网络内应用于光谱感应、目标定位和高光谱数据分离的几种有用应用程序。

Nov, 2013

我们提出了自适应扩散机制，以分布式方式优化全局代价函数，并将其应用于分布式估计和定位问题。

Oct, 2011