Predicting Social Media Engagement using Machine Learning
研究使用机器学习方法（如随机森林、LightGBM和XGBoost）分析家具公司在Facebook上发布的图文帖的视觉、文本和时间特征，以预测社交媒体参与度。
0 citationsRead paper
Selected work
Representative Papers
Decentralized Multi-Robot Task Allocation Under Degraded Communication: A Benchmark of Performance, Reliability, and Computation
研究对比了六种多机器人任务分配方法在通信降级情况下的性能，考虑了旅行效率、通信鲁棒性、可靠性及计算负担等因素。
0 citationsRead paper
Proof-Carrying Cognition: Closing the Verification Gap with Reality-Settled Reward
本文针对推理验证难题，提出基于现实验证奖励的方法，通过理论分析、实验证明和新范式构建来解决非形式化领域内的验证缺口问题。
0 citationsRead paper
Bundle Length Tradeoffs in Decentralized Multi-Robot Task Allocation Under Degraded Communications
研究了在通信降级条件下，通过调整任务包长度B来优化多机器人任务分配算法（如ACBBA、PI和HIPC）的性能，发现理想与降级通信下最优B值不同。
0 citationsRead paper
Recent publications
Latest Papers
Predicting Social Media Engagement using Machine Learning
研究使用机器学习方法（如随机森林、LightGBM和XGBoost）分析家具公司在Facebook上发布的图文帖的视觉、文本和时间特征，以预测社交媒体参与度。
0 citationsRead paper
Decentralized Multi-Robot Task Allocation Under Degraded Communication: A Benchmark of Performance, Reliability, and Computation
研究对比了六种多机器人任务分配方法在通信降级情况下的性能，考虑了旅行效率、通信鲁棒性、可靠性及计算负担等因素。
0 citationsRead paper
Proof-Carrying Cognition: Closing the Verification Gap with Reality-Settled Reward
本文针对推理验证难题，提出基于现实验证奖励的方法，通过理论分析、实验证明和新范式构建来解决非形式化领域内的验证缺口问题。
0 citationsRead paper
Bundle Length Tradeoffs in Decentralized Multi-Robot Task Allocation Under Degraded Communications
研究了在通信降级条件下，通过调整任务包长度B来优化多机器人任务分配算法（如ACBBA、PI和HIPC）的性能，发现理想与降级通信下最优B值不同。
0 citationsRead paper