标签
本文提出了一种并行架构，将静态梯度方法组合起来以实现随机梯度下降的自适应性，在简化收敛性分析的同时保留参数自适应性。
提出了自适应多尺度优度聚合（AMSGA），这是Forward-Forward算法的一个扩展，通过多尺度优度聚合、自适应难负样本挖掘和层相关阈值，提高了稳定性、鲁棒性和泛化能力，在MNIST和Fashion-MNIST上实现了适度的准确率提升。
本文介绍了自适应 Q 分块（AQC），这是一种强化学习方法，能够动态选择动作分块大小，以平衡反应式控制与长期规划。该方法在 OGBench 和 Robomimic 上取得了最先进的结果，提升了大规模 VLA 模型在机器人任务中的性能。