Buchumschlag

Federated Reinforcement Learning for Runtime Optimization of AI Applications in Smart Eyewears

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sedghani, Hamta, Kambale, Abednego Wamuhindo, Filippini, Federica, Palermo, Francesca, Trojaniello, Diana, Ardagna, Danilo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Decentralized Edge Caching under Budget and Storage Constraints: A Game-Theoretic Approach
von: Sedghani, Hamta, et al.
Veröffentlicht: (2026)

OSCAR-P and aMLLibrary: Profiling and Predicting the Performance of FaaS-based Applications in Computing Continua
von: Sala, Roberto, et al.
Veröffentlicht: (2024)

DQT: Dynamic Quantization Training via Dequantization-Free Nested Integer Arithmetic
von: Shalby, Hazem Hesham Yousef, et al.
Veröffentlicht: (2025)

Interpretability-Guided Bi-objective Optimization: Aligning Accuracy and Explainability
von: Fouladi, Kasra, et al.
Veröffentlicht: (2026)

On-Sensor Convolutional Neural Networks with Early-Exits
von: Shalby, Hazem Hesham Yousef, et al.
Veröffentlicht: (2025)

AI Runtime Infrastructure
von: Cruz, Christopher
Veröffentlicht: (2026)

Runtime Governance for AI Agents: Policies on Paths
von: Kaptein, Maurits, et al.
Veröffentlicht: (2026)

SmartFlow Reinforcement Learning and Agentic AI for Bike-Sharing Optimisation
von: K, Aditya Sreevatsa, et al.
Veröffentlicht: (2025)

Hierarchical Reinforcement Learning with Runtime Safety Shielding for Power Grid Operation
von: Malik, Gitesh
Veröffentlicht: (2026)

SmartQuant: CXL-based AI Model Store in Support of Runtime Configurable Weight Quantization
von: Xie, Rui, et al.
Veröffentlicht: (2024)

Navigation in a simplified Urban Flow through Deep Reinforcement Learning
von: Tonti, Federica, et al.
Veröffentlicht: (2024)

Adaptive Approach to Enhance Machine Learning Scheduling Algorithms During Runtime Using Reinforcement Learning in Metascheduling Applications
von: Alshaer, Samer, et al.
Veröffentlicht: (2025)

AgentGuard: Runtime Verification of AI Agents
von: Koohestani, Roham
Veröffentlicht: (2025)

Learning Contextual Runtime Monitors for Safe AI-Based Autonomy
von: Luque-Cerpa, Alejandro, et al.
Veröffentlicht: (2026)

Autonomous Action Runtime Management(AARM):A System Specification for Securing AI-Driven Actions at Runtime
von: Errico, Herman
Veröffentlicht: (2026)

A Lightweight Neural Architecture Search Model for Medical Image Classification
von: Xie, Lunchen, et al.
Veröffentlicht: (2024)

Navigation in a Three-Dimensional Urban Flow using Deep Reinforcement Learning
von: Tonti, Federica, et al.
Veröffentlicht: (2025)

Efficient Parameter Tuning for a Structure-Based Virtual Screening HPC Application
von: Guindani, Bruno, et al.
Veröffentlicht: (2024)

Harnessing the Computing Continuum across Personalized Healthcare, Maintenance and Inspection, and Farming 4.0
von: Baghdadi, Fatemeh, et al.
Veröffentlicht: (2024)

Combining Cost-Constrained Runtime Monitors for AI Safety
von: Hua, Tim Tian, et al.
Veröffentlicht: (2025)

ElephantBroker: A Knowledge-Grounded Cognitive Runtime for Trustworthy AI Agents
von: Lupascu, Cristian, et al.
Veröffentlicht: (2026)

BitRL-Light: 1-bit LLM Agents with Deep Reinforcement Learning for Energy-Efficient Smart Home Lighting Optimization
von: Gupta, Ravi, et al.
Veröffentlicht: (2025)

Attention-based Reinforcement Learning for Combinatorial Optimization: Application to Job Shop Scheduling Problem
von: Lee, Jaejin, et al.
Veröffentlicht: (2024)

Enhancing Smart Farming Through Federated Learning: A Secure, Scalable, and Efficient Approach for AI-Driven Agriculture
von: Janga, Ritesh, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning for Optimizing Energy Consumption in Smart Grid Systems
von: Alsheikhi, Abeer, et al.
Veröffentlicht: (2026)

Architectural Obsolescence of Unhardened Agentic-AI Runtimes
von: Metere, Alfredo
Veröffentlicht: (2026)

A2AS: Agentic AI Runtime Security and Self-Defense
von: Neelou, Eugene, et al.
Veröffentlicht: (2025)

Governing What You Cannot Observe: Adaptive Runtime Governance for Autonomous AI Agents
von: Marin, German, et al.
Veröffentlicht: (2026)

Artificial Intelligence in Pediatric Echocardiography: Exploring Challenges, Opportunities, and Clinical Applications with Explainable AI and Federated Learning
von: Jabarulla, Mohammed Yaseen, et al.
Veröffentlicht: (2024)

Rule-Bottleneck Reinforcement Learning: Joint Explanation and Decision Optimization for Resource Allocation with Language Agents
von: Tec, Mauricio, et al.
Veröffentlicht: (2025)

Agentic AI for Trip Planning Optimization Application
von: Chen, Tiejin, et al.
Veröffentlicht: (2026)

Serverless AI Security: Attack Surface Analysis and Runtime Protection Mechanisms for FaaS-Based Machine Learning
von: Pathade, Chetan, et al.
Veröffentlicht: (2026)

Gradient Inversion in Federated Reinforcement Learning
von: He, Shenghong
Veröffentlicht: (2025)

AgentWall: A Runtime Safety Layer for Local AI Agents
von: Aravind, Ashwin
Veröffentlicht: (2026)

GPU Forecasters: Language Models as Selective Surrogates for Kernel Runtime Optimization
von: Khan, Zaid, et al.
Veröffentlicht: (2026)

Learning to Optimize for Reinforcement Learning
von: Lan, Qingfeng, et al.
Veröffentlicht: (2023)

Algorithmic Fairness: A Runtime Perspective
von: Cano, Filip, et al.
Veröffentlicht: (2025)

GoEX: Perspectives and Designs Towards a Runtime for Autonomous LLM Applications
von: Patil, Shishir G., et al.
Veröffentlicht: (2024)

Optimizing Navigation And Chemical Application in Precision Agriculture With Deep Reinforcement Learning And Conditional Action Tree
von: Khosravi, Mahsa, et al.
Veröffentlicht: (2025)

AI Harness Engineering: A Runtime Substrate for Foundation-Model Software Agents
von: Zhong, Hailin, et al.
Veröffentlicht: (2026)