本研究提出RE-POSE框架，旨在解决边缘设备实时物体检测中的计算资源限制和深度神经网络的高需求问题。通过强化学习驱动的动态聚类算法，优化了检测精度与延迟，并采用并行边缘卸载方案，显著提高了检测精度，减少了推理延迟，性能优于现有方法。

本研究提出了一种名为Facade的算法，解决去中心化学习中因数据特征空间异质性导致的模型效用和公平性问题。该算法通过动态聚类分配节点，实现公平训练。实验表明，Facade在模型准确性和公平性上优于现有方法，并降低了通信成本。

本文介绍了一种聚合Transformer的方法（AGER），用于人-物互动（HOI）检测。AGER通过动态聚类和文本引导相结合，实现了在单阶段、端到端方式中的灵活应用。在HICO-Det数据集上，AGER取得了36.75的mAP，达到了最新的性能水平。