本研究提出一种基于情景感知的实时流式传输方案，以实时识别重要事件和降低发射功率。该方案主要利用少量隐藏层的小型神经网络在源端对特定情景下的帧进行高重要性分配，并将高重要性的帧与一定信噪比的低重要性帧同时流式传输，在接收端进行深度神经网络分析提取准确的情景并节约约 38.5% 的能源。

Apr, 2022

EdgeMA 是一个实际高效的视频分析系统，通过基于统计纹理特征的灰度共生矩阵提取和随机森林分类器检测领域转变，以及基于重要性加权的模型适应方法，解决了边缘设备上实时视频分析中数据漂移问题，并通过真实数据集的严格评估，结果表明 EdgeMA 显著提高了推理准确性。

Aug, 2023

该论文提出了一种具有多空间注意力机制的动态切换 - 注意力网络（DSAN），用于解决城市智能数据挖掘系统中的长期预测问题。通过在输入和输出之间显式测量关联性并应用自我注意来提取有价值的信息，并通过实现切换 - 注意力机制将输出直接连接到精制的输入来过滤无关噪声和减轻错误传播。在两个空间 - 时间预测任务上进行了广泛的实验，证明了 DSAN 在短期和长期预测中的卓越优势。

Jun, 2020

该研究介绍了一个名为 MOVAD 的智能汽车实时系统，它利用只能捕捉器固定摄像头拍摄的视频进行信息提取和到不同时间段的信息关联来及时响应异常情况。该系统包含视频分析技术和短期记忆和长期记忆两个部分，能够在 DoTA 数据集的测试中取得比目前同类技术高 2.81 的准确率。

Feb, 2023

本文提出了一种新颖的边缘计算实时视频分析系统，包括跟踪辅助对象检测模块和感兴趣区域模块，在具有波动网络条件的情况下，通过无线网络将智能视觉设备连接到边缘服务器，通过基于深度 Q 网络的边缘处理方法和基于多臂赌博机的自适应配置选择方法来解决实时视频分析问题。通过大量的模拟实验评估了该解决方案的性能，并展示了其优势。

Feb, 2024

我们提出了一个适应在线分类问题的新颖、统一和基于理论的自适应框架，该框架旨在通过建立强大的数学基础来处理序列数据的分类，并在早期阶段返回结果，同时不影响准确性。

Jun, 2024

边缘计算下的 AI 推理在边缘设备上高效进行已成为智能应用（如自动驾驶和虚拟现实 / 增强现实）所必需的。我们针对移动设备和边缘服务器之间特征传输的优化问题，提出了一种在线优化框架。通过利用语义知识库来驱动多级特征传输，考虑传输过程中的时间因素和动态元素，我们的方法基于现有方法构建，解决了动态信道条件和设备移动的挑战。为了解决在线优化问题，我们设计了一种基于软演员 - 评论家的深度强化学习系统，并设计了一个精心设计的奖励函数来进行实时决策，克服了 NP-hard 问题的优化困难，并在尊重延迟限制的同时实现了语义损失的最小化。数值结果显示，相较于各种系统设置下的传统贪婪方法，我们的方法具有优势。

Nov, 2023

在没有任何先兆的情况下，本文旨在解决连续数据建模中突发分布转变的问题。具体而言，我们设计了一个名为 T-SaS 的贝叶斯框架，使用离散分布建模变量捕捉数据的突变。然后，我们设计了一个模型，通过学习判断在完整网络中应该激活哪些神经元来实现与该离散变量的动态网络选择进行自适应。通过一组稀疏网络的重叠，采用动态遮罩策略来支持不同分布之间的互相转移。大量实验证明我们的方法在准确检测分布转变边界以获取不同分布的片段并有效适应下游预测或分类任务方面优越。

Sep, 2023

通过深度强化学习来最大化考虑到精度和延迟之间的权衡，从而为流式感知提供一种新的方法。我们的代理可以跨多个决策维度学习一种竞争策略，在公共数据集上胜过最先进的策略。

Jun, 2021

本文提出了一种随机答案网络（SAN）来研究自然语言推理中的多步推理策略，并通过实验表明 SAN 在三个基准测试中均取得了最先进的结果，包括斯坦福自然语言推理（SNLI）数据集，多样化自然语言推理（MultiNLI）数据集和 Quora 问题对数据集。

Apr, 2018