标签
我们提出了 FACTS-MAS，这是一个领域无关的多智能体预测框架，将异构证据分解到专门的智能体通道中，通过防止数据泄漏的历史验证对各通道进行验证和加权，并以自适应方式融合它们。在美国 15 个都市区的 Zillow 住房库存和 FRED 失业救济申请数据上的评估表明，该框架优于朴素基线模型和 TimesFM，但经过因子调整的指数平滑模型达到了与其融合预测相当的性能。
本文介绍了一种生成式大气超分辨率方法，该方法利用可组合接口，以异质现场观测为条件对预训练扩散模型进行调制，从而在不重新训练模型的情况下提升重建准确性。
本文提出了FedTAR，一种针对基于MoE的大型语言模型的任务感知联邦微调方法，该方法通过将本地更新与任务偏好对齐，以在异构数据下保留专家专业化并提高性能。
Setoka是一个基准，用于评估记忆增强的个性化智能体从异构数据中分层理解用户（语义记忆、情景记忆、行为模式、人格特质）的能力，揭示了当前记忆系统在需要跨来源整合和抽象的任务上存在困难。
本文介绍了 FedeKD，这是一种用于联邦知识蒸馏的可靠性感知框架，采用基于能量的门控机制来缓解非同质化设置下的负迁移问题。作者证明，基于样本级信任度对知识传输进行加权，可以在无需公共数据集的情况下提高鲁棒性和预测性能。