通过动态调整每轮任务的权重以及采用组合多臂赌博机框架和置信上界方法，本研究提出了一种增强任务多样性、适应任务完成质量差异和有效处理工作者招募预算约束的移动众感知模型，并通过真实数据的模拟和后悔分析证明其有效性。

Dec, 2023

针对多个用户访问相同频道的自组织网络，本研究在缺乏中央协调时，使用探索和承诺策略，通过传输和感知信息的方式，实现接近最优的频道分配，进而提高网络吞吐量，同时击败了现有的算法。

Jan, 2019

我们研究了在一个拥有大量设备和一组边缘服务器的稠密网络中的分散任务卸载和负载平衡问题。通过将均值场多智能体多臂赌博（MAB）游戏与一种负载平衡技术相结合，调整服务器的奖励以实现目标人口分布，解决了由于未知网络信息和随机任务大小而导致的复杂优化问题。数值结果证明了我们方法的有效性和对目标负载分布的收敛。

Jun, 2024

使用联邦学习范式，本研究提出了一种基于 Federated Thompson Sampling-enabled Whittle Index (FedTSWI) 算法的合作式资源分配问题解决方案，该算法在通信和计算效率上具有较高水平并提供隐私保证，并在在线多用户多信道访问案例中展示了快速收敛率和比基准方法更好的性能。值得注意的是，该算法的样本复杂度随代理数量而减少。

Jun, 2024

移动众包是指任务的完成必须要求众包人员在按需工作力量中进行物理移动的系统。本文提出了在移动众包中实现任务转移、结果预测和任务协调的不同机制，包括数据流学习方法用于任务结果预测，以及具有不同自治程度的两种不同方法实现任务协调，分别为具有协作但非自治的众包运输机制和具有自治众包人员的市场模式。

Jan, 2024

该文研究了协作移动众包感知的工人招聘，提出了一种通过 Mini-Batch K-Means 聚类算法和 GCN 模型获取工人间信任关系进行更高效的招聘，并通过 TSR 算法优化选取多目标任务效用的平衡工人集合的策略，实验结果表明优于其他策略。

Jun, 2023

该研究在未知用户偏好情况下，探究了学习型缓存在小型蜂窝网络（SCN）中的应用。在这个问题中，我们从多智能体多武器老虎机（MAMAB）的角度模拟这个序列决策问题。我们提出几种 MAMAB-Based 算法，在静态和非静态环境下直接学习缓存策略，以实现最小化系统长期传输延迟的目标。该研究验证了所提出的算法的有效性，并进一步讨论了不同参数对缓存性能的影响。

Jan, 2020

本论文提出了一种基于多臂赌博机和 DDSBS 操作的 TDMA MAC 时隙分配协议，实现无冲突传输和提高带宽利用效率。通过广泛的模拟实验，表明该机制适用于具有或不具有时间同步的网络，可以在学习收敛时间和带宽之间做出平衡，并允许节点适应拓扑变化。

Jan, 2023

通过移动众包感知，提出一种隐私保护的协作学习框架，可用于推广以改善社会各个方面的服务，案例研究展示了该框架的功能，包括使用视觉算法来改善视障人士的导航。

Jan, 2022

提出了一种基于非静态多臂赌博机的折扣汤普森采样的多模态多任务对话行为分类任务的任务选择和分配方法，结果表明，该方法在不同的训练阶段可以有效地识别任务效用，并在训练过程中主动避免无用或有害的任务，相比单任务和多任务基线模型在 UAR 和 F1 方面显著优越，P 值小于 0.05，此外，对实验进一步分析表明，对于数据不平衡问题的数据集，该方法具有显著更高的稳定性，并且能够获得一致且良好的少数类性能，相较于当前最先进的模型，该方法更为优越。

Sep, 2023