Jinliang Xu
PulseAugur coverage of Jinliang Xu — every cluster mentioning Jinliang Xu across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
代谢多智能体优化器的新框架分析
本文介绍了代谢多智能体优化器（MMAO）框架，并抽象了其核心资源管理循环。作者在温和的假设下，为私有能量和公共预算等关键组件建立了有界性和非负性。分析确定了三种不同的行为模式：收缩、再投资和搜索重新分配，展示了代谢循环的通用后果。
-
新的MMAO-Cls方法通过紧凑的特征选择优化分类模型
研究人员开发了MMAO-Cls，这是一种新颖的方法，它将代谢多智能体优化器（MMAO）应用于分类模型选择。该方法联合编码特征掩码和分类器超参数，并纳入特征预算适应和正则化机制。虽然MMAO-Cls在表格基准测试中表现出竞争力，在总体目标排名第二，并在部分方法的留出测试性能上有所提高，但其在特征子集紧凑性方面的优势比其社区共享优势更明确。
-
MMAO框架在大规模实证评估中表现强劲
一篇新论文评估了代谢多智能体优化器（MMAO）框架，重点关注其在严格预算控制下的资源分配原则。该研究采用大规模实证协议，涵盖八个CEC2017函数和五个TSPLIB实例，并将MMAO与PSO-lite和迭代贪婪2-opt等基线进行比较。结果表明，MMAO在连续和路由基准测试中优于外部基线，其消融变体与完整方法相比表现更接近，而与外部竞争者相比则有较大差距。该研究验证了MMAO作为一个跨领域自适应框架，特别是在内源性资源再分配方面，并建…
-
新的MMAO框架使用代谢控制器进行自适应元启发式搜索
研究人员推出了一种新颖的自适应元启发式框架——代谢多智能体优化器（MMAO），旨在实现高效的搜索过程。MMAO基于内源性资源循环原理运行，搜索强度和探索-利用平衡由中央代谢控制器管理。该框架的特点包括有限的私有能量、公共预算、归一化奖励、连续角色适应以及资源驱动的分支和修剪。在连续和离散域（包括TSP实例和基准函数）上的评估表明，MMAO具有适应性和稳定性，即使设计紧凑，但连续优化质量受到其精简架构的影响。
-
新的AI框架通过多智能体精炼解决优化问题 · 跟踪4个来源
研究人员推出OptiAgent，一个多智能体框架，旨在将运筹学问题的自然语言描述转化为求解器就绪的数学公式和可执行代码。该系统采用专门的智能体进行结构提取和迭代自我纠正，并设有一个新颖的多循环验证架构来处理各种故障模式。另外，一个名为MMAO-Dyn的新变体已被开发出来，它通过将内部状态映射到非平稳环境来扩展代谢多智能体优化器（MMAO）以处理动态优化问题。MMAO-Dyn在动态连续优化任务中的性能优于几种基准方法。
-
OpenAgenet 推出可信智能体互联层
研究人员推出 OpenAgenet (OAN)，一个旨在建立信任并促进人工智能智能体之间安全互联的新基础设施项目。OAN 作为一种协议无关的信任层运行，在智能体进行交互之前，专注于身份验证、治理和授权。该系统利用 ".did:oan" 身份方案和基于治理的注册流程，以确保智能体可验证且安全。