自适应分布式多任务学习框架ADAMT：移动自组网中的高效图像识别 学术背景 在移动自组网（Mobile Ad-hoc Networks, MANETs）中，分布式机器学习面临着巨大的挑战。这些挑战主要来自于设备的有限计算资源、非独立同分布（Non-IID）的数据分布以及动态变化的网络拓扑结构。现有的方法通常依赖于集中式协调和稳定的网络条件，但在实际应用中，这些条件往往难以满足。为了解决这些问题，研究人员提出了一种名为ADAMT（Adaptive Distributed Multi-Task Learning）的自适应分布式多任务学习框架，旨在在资源受限的移动自组网中实现高效的图像识别。 移动自组网是一种去中心化、无基础设施的网络，能够在没有固定基础设施的情况下实现设备之间的自主连接和信息共享...

基于多无人机的高效分散式时序规划器用于时空野火防控 学术背景 野火是全球范围内对生物多样性和资源可持续性的重大威胁，尤其是在初期阶段。若未能及时控制，野火的规模可能会迅速扩大，导致严重的生态破坏。近年来，多无人机系统（Unmanned Aerial Vehicles, UAVs）在野火防控中的应用逐渐增多，主要是为了减少人类在危险环境中的暴露，并提高应急响应的效率。然而，现有的研究大多局限于搜索、监测或灭火等单一环节，缺乏对多无人机协同任务的综合研究。尤其在资源有限、无人机数量不足、野火动态变化的部分可观测环境中，如何高效分配无人机任务以进行早期野火防控仍是一个复杂且具有挑战性的问题。 本文提出了一种冲突感知的高效分散式时序规划器（Conflict-aware Resource-effici...