Buchumschlag

Drift-aware Collaborative Assistance Mixture of Experts for Heterogeneous Multistream Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, En, Lu, Jie, Wang, Kun, Yang, Xiaoyu, Zhang, Guangquan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Online Boosting Adaptive Learning under Concept Drift for Multistream Classification
von: Yu, En, et al.
Veröffentlicht: (2023)

Generalized Incremental Learning under Concept Drift across Evolving Data Streams
von: Yu, En, et al.
Veröffentlicht: (2025)

Autonomous Drift Learning in Data Streams: A Unified Perspective
von: Yang, Xiaoyu, et al.
Veröffentlicht: (2026)

Learning Robust Spectral Dynamics for Temporal Domain Generalization
von: Yu, En, et al.
Veröffentlicht: (2025)

Heterogeneous Information-Bottleneck Coordination Graphs for Multi-Agent Reinforcement Learning
von: Duan, Wei, et al.
Veröffentlicht: (2026)

Turning Drift into Constraint: Robust Reasoning Alignment in Non-Stationary Multi-Stream Environments
von: Yang, Xiaoyu, et al.
Veröffentlicht: (2025)

HFedMoE: Resource-aware Heterogeneous Federated Learning with Mixture-of-Experts
von: Fang, Zihan, et al.
Veröffentlicht: (2026)

A Behavior-Aware Approach for Deep Reinforcement Learning in Non-stationary Environments without Known Change Points
von: Liu, Zihe, et al.
Veröffentlicht: (2024)

Aggregation Alignment for Federated Learning with Mixture-of-Experts under Data Heterogeneity
von: Fang, Zihan, et al.
Veröffentlicht: (2026)

Scalable Heterogeneous Graph Learning via Heterogeneous-aware Orthogonal Prototype Experts
von: Zhou, Wei, et al.
Veröffentlicht: (2026)

Unveiling Hidden Collaboration within Mixture-of-Experts in Large Language Models
von: Tang, Yuanbo, et al.
Veröffentlicht: (2025)

Each Rank Could be an Expert: Single-Ranked Mixture of Experts LoRA for Multi-Task Learning
von: Zhao, Ziyu, et al.
Veröffentlicht: (2025)

Retrieval-Augmented Mixture of LoRA Experts for Uploadable Machine Learning
von: Zhao, Ziyu, et al.
Veröffentlicht: (2024)

Autonomous Concept Drift Threshold Determination
von: Lu, Pengqian, et al.
Veröffentlicht: (2025)

PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts
von: Su, Yang, et al.
Veröffentlicht: (2025)

Autonomous Source Knowledge Selection in Multi-Domain Adaptation
von: Li, Keqiuyin, et al.
Veröffentlicht: (2025)

Mixture of Heterogeneous Grouped Experts for Language Modeling
von: Ma, Zhicheng, et al.
Veröffentlicht: (2026)

Wavelet Mixture of Experts for Time Series Forecasting
von: Zhou, Zheng, et al.
Veröffentlicht: (2025)

MoEMeta: Mixture-of-Experts Meta Learning for Few-Shot Relational Learning
von: Wu, Han, et al.
Veröffentlicht: (2025)

T-REX: Mixture-of-Rank-One-Experts with Semantic-aware Intuition for Multi-task Large Language Model Finetuning
von: Zhang, Rongyu, et al.
Veröffentlicht: (2024)

FedRD: Reducing Divergences for Generalized Federated Learning via Heterogeneity-aware Parameter Guidance
von: Wang, Kaile, et al.
Veröffentlicht: (2026)

HiMoE: Heterogeneity-Informed Mixture-of-Experts for Fair Spatial-Temporal Forecasting
von: Yu, Shaohan, et al.
Veröffentlicht: (2024)

Mixture-of-Experts Meets In-Context Reinforcement Learning
von: Wu, Wenhao, et al.
Veröffentlicht: (2025)

Robust Heterogeneous Analog-Digital Computing for Mixture-of-Experts Models with Theoretical Generalization Guarantees
von: Chowdhury, Mohammed Nowaz Rabbani, et al.
Veröffentlicht: (2026)

Retro-Expert: Collaborative Reasoning for Interpretable Retrosynthesis
von: Li, Xinyi, et al.
Veröffentlicht: (2025)

HyperMoE: Towards Better Mixture of Experts via Transferring Among Experts
von: Zhao, Hao, et al.
Veröffentlicht: (2024)

Theory on Mixture-of-Experts in Continual Learning
von: Li, Hongbo, et al.
Veröffentlicht: (2024)

Dynamic Adaptive Shared Experts with Grouped Multi-Head Attention Mixture of Experts
von: Li, Cheng, et al.
Veröffentlicht: (2025)

MoHETS: Long-term Time Series Forecasting with Mixture-of-Heterogeneous-Experts
von: Ortigossa, Evandro S., et al.
Veröffentlicht: (2026)

GraphMoRE: Mitigating Topological Heterogeneity via Mixture of Riemannian Experts
von: Guo, Zihao, et al.
Veröffentlicht: (2024)

BuddyMoE: Exploiting Expert Redundancy to Accelerate Memory-Constrained Mixture-of-Experts Inference
von: Wang, Yun, et al.
Veröffentlicht: (2025)

Efficiently Editing Mixture-of-Experts Models with Compressed Experts
von: He, Yifei, et al.
Veröffentlicht: (2025)

Privacy-Utility Trade-off in Data Publication: A Bilevel Optimization Framework with Curvature-Guided Perturbation
von: Yin, Yi, et al.
Veröffentlicht: (2025)

Geometric Mixture-of-Experts with Curvature-Guided Adaptive Routing for Graph Representation Learning
von: Cao, Haifang, et al.
Veröffentlicht: (2026)

Graph Mixture of Experts and Memory-augmented Routers for Multivariate Time Series Anomaly Detection
von: Huang, Xiaoyu, et al.
Veröffentlicht: (2024)

A Stronger Mixture of Low-Rank Experts for Fine-Tuning Foundation Models
von: Sun, Mengyang, et al.
Veröffentlicht: (2025)

Dynamic Expert Quantization for Scalable Mixture-of-Experts Inference
von: Chu, Kexin, et al.
Veröffentlicht: (2025)

Mixture of Diverse Size Experts
von: Sun, Manxi, et al.
Veröffentlicht: (2024)

Mixture of Experts in Large Language Models
von: Zhang, Danyang, et al.
Veröffentlicht: (2025)

Dynamic TMoE: A Drift-Aware Dynamic Mixture of Experts Framework for Non-Stationary Time Series Forecasting
von: Zhu, Jiawen, et al.
Veröffentlicht: (2026)