本研究提出了一种名为 Focused ACO 的 Ant Colony Optimization 变种，通过控制新构建解与先前选择解之间的差异数，实现了更加集中的搜索，同时与问题特定的局部搜索更有效地集成，这在解决大型 TSP 实例方面比现有的 ACO 更有效。

Mar, 2022

DeepACO 是一个利用深度强化学习来自动化启发式设计的通用框架，用于加强现有 ACO 算法的启发式措施并在未来 ACO 应用中省去繁琐的手动设计。作为一个神经增强元启发式方法，DeepACO 在八个组合优化问题上使用单个神经模型和一组超参数始终优于其 ACO 对应物。作为一种神经元组合优化方法，DeepACO 在经典路由问题上表现优于或与特定问题方法相当。

Sep, 2023

使用 OpenNAS 开源工具结合粒子群优化和蚁群优化算法进行神经网络模型的训练和优化，实验证明粒子群优化算法（PSO）在生成更高模型准确度方面的表现优于蚁群优化算法（ACO），尤其在复杂数据集上效果显著，同时也评估了微调预训练模型的性能作为基准。

Mar, 2024

这篇论文提出了一种主动学习策略，其中数据筛选算法用于选择有用的训练样本以最小化注释成本，在六种语言中进行了广泛的实验，证明了该策略优于其他主动学习策略，并提出了在特定的输出标签对之间最大程度减少混淆的 AL 问题。

Nov, 2020

本研究提出了 FaSACO，这是一种基于蚂蚁群算法的快速走过覆盖区域路径规划方法，可以利用启发式信息减少路径规划的时间复杂度，使优化路径更高效，并特别适用于实时和能量有限的应用。

May, 2022

本文介绍了一种快速适应新域的 POS 标注器的方法，该方法利用大量文本中收集的后缀信息和字形信息以增加词汇覆盖率，在生物领域的实验中表现出了与该领域中特别训练的 POS 标注器相当的结果。

Oct, 2014

该论文提出了一种基于 PoS 标记的改进的语义意识通用方法来提高任何自动关键字提取方法的性能，包括诸如信息检索和自然语言处理等应用，实验证明该方法可显著改善现有五种最佳方法的表现。

Nov, 2022

提高阿姆哈拉语的词性标注性能，本文介绍了使用形态学知识、扩展已有标注数据、特征提取、参数调整和标注算法等方法，对比以往工作，明显的提高了词性标注性能。

Jan, 2020

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

人们如何获取句法类别知识是基础性问题，本研究回顾了各种工程方法，目的在于无需先验句法知识就能正确识别样本文本中的词性，并讨论了模型的评估、约束因素以及上下文对词性的确定等共同主题。这些主题为深入研究认知过程奠定了基础，并提供了当前无监督词性标注模型的有用参考。

Dec, 2023