From Formative Policy To Performative Grading Practices : Esl Teachers’ Enactment Of Classroom-Based Assessment In Malaysian Primary Schools, Anwar Farhan Mohamad Marzaini, Shahazwan Mat Yusoff

PASAA

No abstract provided.

The Predictive Validity Of Ielts And Vietnam High School Graduation Examination English Test : Evidence From English Majors, Tuan Anh Nguyen, Hung Viet Nguyen

PASAA

No abstract provided.

กฎหมายการหมุนเวียนทรัพยากรพลาสติกของญี่ปุ่น : พัฒนาการ กลไกเชิงสถาบัน และบทเรียนเชิงนโยบายต่อประเทศไทย, พรนภัส สุวลักษณ์ วอห์น, สุจิตรา วาสนาดำรงดี

Thai Environment

บทความนี้มีวัตถุประสงค์เพื่อวิเคราะห์พัฒนาการของกฎหมายญี่ปุ่นด้านการจัดการพลาสติกโดยมุ่งเน้นพระราชบัญญัติส่งเสริมการหมุนเวียนทรัพยากรพลาสติก ค.ศ. 2021 (Act on Promotion of Resource Circulation for Plastics) และกฎหมายที่เกี่ยวข้อง การศึกษานี้ใช้การวิเคราะห์เชิงเอกสารภายใต้กรอบแนวคิดเศรษฐกิจหมุนเวียน (Circular economy) หลักลำดับขั้นการจัดการขยะ (Waste hierarchy) และแนวคิดการจัดการตลอดวัฏจักรชีวิตผลิตภัณฑ์ (Life-cycle approach) เพื่ออธิบายโครงสร้างและกลไกทางกฎหมายในการกำกับการหมุนเวียนทรัพยากรพลาสติก

ผลการศึกษาพบว่า ระบบกฎหมายของญี่ปุ่นได้พัฒนาจากการกำกับการจัดการของเสียแบบปลายทางไปสู่การกำกับการหมุนเวียนทรัพยากรตลอดวัฏจักรชีวิตผลิตภัณฑ์ โดยบูรณาการมาตรการด้านการออกแบบผลิตภัณฑ์ การลดการใช้พลาสติกแบบใช้ครั้งเดียว การจำหน่าย การเก็บรวบรวม การคัดแยกและการรีไซเคิลไว้ภายใต้กรอบกฎหมายเดียวกัน จุดเด่นของระบบกฎหมายญี่ปุ่นอยู่ที่การกำหนดบทบาทของรัฐ องค์กรปกครองส่วนท้องถิ่น ผู้ประกอบการ และประชาชนอย่างเป็นระบบในลักษณะการกำกับหลายระดับ รวมทั้งการใช้มาตรการทางกฎหมายควบคู่กับแรงจูงใจทางเศรษฐศาสตร์และการปรับเปลี่ยนพฤติกรรมของผู้บริโภค ซึ่งสะท้อนแนวปฏิบัติที่ดีในการขับเคลื่อนเศรษฐกิจหมุนเวียนด้านพลาสติก อย่างไรก็ตาม ผลการศึกษายังพบข้อจำกัดบางประการของระบบญี่ปุ่น เช่น การพึ่งพาการเผาขยะเพื่อผลิตพลังงานในสัดส่วนสูงและความท้าทายในการลดการใช้พลาสติกอย่างเป็นรูปธรรม

ข้อค้นพบจากการศึกษานำไปสู่ข้อเสนอแนะสำหรับประเทศไทยว่า ควรมีการพัฒนากฎหมายแม่บทด้านเศรษฐกิจหมุนเวียน การพัฒนาระบบความรับผิดชอบที่เพิ่มขึ้นของผู้ผลิต (Extended Producer Responsibility: EPR) การกำหนดมาตรฐานการออกแบบเชิงนิเวศ (Eco-design) การพัฒนาโครงสร้างพื้นฐานด้านการคัดแยกและรีไซเคิลและการจัดทำระบบข้อมูลเพื่อสนับสนุนการกำกับการหมุนเวียนทรัพยากรอย่างยั่งยืน

กฎหมายเศรษฐกิจหมุนเวียนและการจัดการขยะพลาสติกของสาธารณรัฐฝรั่งเศส : การวิเคราะห์เชิงกฎหมายและบทเรียนเชิงนโยบายสำหรับประเทศไทย, กฤตย ธาดาบดินทร์, สุจิตรา วาสนาดำรงดี

Thai Environment

บทความนี้วิเคราะห์เชิงเปรียบเทียบระบบกฎหมายเศรษฐกิจหมุนเวียนและการจัดการขยะพลาสติกของสาธารณรัฐฝรั่งเศส โดยใช้วิธีวิจัยเชิงกฎหมาย (Doctrinal legal research) ร่วมกับการวิเคราะห์เชิงนโยบาย ศึกษาจากประมวลกฎหมายที่เกี่ยวข้องของฝรั่งเศส กฎหมายต่อต้านขยะและส่งเสริมเศรษฐกิจหมุนเวียน (Loi AGEC ค.ศ. 2020) และระบบความรับผิดชอบที่เพิ่มขึ้นของผู้ผลิต (Extended Producer Responsibility: EPR) ผลการศึกษาพบว่า ฝรั่งเศสได้พัฒนากฎหมายเศรษฐกิจหมุนเวียนที่มีลักษณะบูรณาการสูง ครอบคลุมตั้งแต่การออกแบบผลิตภัณฑ์ (Eco-design) ดัชนีความสามารถในการซ่อมแซม (Repairability index) ดัชนีความทนทาน (Durability index) ไปจนถึงการห้ามทำลายสินค้าคงคลัง และการกำหนดเป้าหมายเชิงปริมาณผูกพันทางกฎหมาย อย่างไรก็ตาม การบังคับใช้กฎหมายยังเผชิญความท้าทายในบางส่วน บทความเสนอบทเรียนสำหรับประเทศไทยใน 6 ด้าน ได้แก่ การจัดทำกฎหมายเศรษฐกิจหมุนเวียนเชิงบูรณาการ การกำหนดเป้าหมายผูกพันทางกฎหมาย การพัฒนาระบบ EPR ที่มีการกำกับดูแลที่ดี การสร้างกลไกสถาบันเฉพาะ การออกแบบเครื่องมือเศรษฐศาสตร์ที่เหมาะสมและการสร้างการมีส่วนร่วมของสาธารณะ

แนวทางเพื่อการจัดการปัญหาขยะทะเลในประเทศไทย, ทรายทอง บุญบางยาง, จารุมาศ เจริญพานิช

Thai Environment

การสังเคราะห์แนวทางเพื่อการจัดการปัญหาขยะทะเลดำเนินการโดยการวิเคราะห์งานวิจัยและบทความทางวิชาการ ตลอดจนการระดมความคิดเห็นในกลุ่มผู้รู้ผู้เชี่ยวชาญเพื่อการสังเคราะห์แนวทางที่เหมาะสม ผลการศึกษาพบประเด็นจุดอ่อนที่สำคัญคือการมีที่มาของขยะในปริมาณมาก การขาดสมรรถนะของการจัดการโดยชุมชน และการขาดการสนับสนุนด้านการจัดการจากภาครัฐอย่างเพียงพอ ส่วนจุดแข็งที่พบในหลายพื้นที่คือการเริ่มใช้นโยบายหรือมาตรการในการควบคุมปริมาณขยะ การมีกิจกรรมชุมชนในเชิงอนุรักษ์สภาพแวดล้อม และการพัฒนาระบบการจัดการขยะอย่างครบวงจรในชุมชน สำหรับผลการสังเคราะห์แนวทางการแก้ไขปัญหาขยะทะเลพบว่าประเด็นด้านการตั้งจุดรับแยกขยะในพื้นที่ การสร้างความตระหนักรู้ในองค์กรระดับท้องถิ่น และการจัดสร้างระบบการจัดการขยะที่เหมาะสม เป็นเรื่องสำคัญในระดับท้องถิ่น ส่วนในระดับประเทศเราควรให้ความสำคัญกับการกำหนดเป้าหมายให้เกิดอย่างเป็นรูปธรรม และจัดทำฐานข้อมูลตามแหล่งที่มาของขยะให้ชัดเจน นอกจากนี้ควรเร่งจัดการปัญหาขยะจากเรือประมง ผลการศึกษาในภาพรวมยังพบความจำเป็นในการบริหารจัดการที่ต้องครอบคลุมทั้งมิติด้านความร่วมมือในชุมชน ด้านระเบียบนโยบายและมาตรการที่เหมาะสม และด้านระบบการจัดการที่ควรขับเคลื่อนโดยองค์การบริหารส่วนท้องถิ่นในแต่ละพื้นที่ ทั้งนี้ เพื่อให้เกิดการแก้ปัญหาขยะทะเลได้อย่างเป็นรูปธรรม

การจัดการขยะหลังภัยพิบัติน้ำท่วม : บทเรียนจากประเทศญี่ปุ่นต่อการพัฒนานโยบายในประเทศไทย, วิไลลักษณ์ นิยมมณีรัตน์, มงคลชัย อัศวดิษฐเลิศ, กนกพร คุ้มภัย

Thai Environment

การศึกษาการจัดการขยะหลังภัยพิบัติน้ำท่วม โดยวิเคราะห์บทเรียนจากประเทศญี่ปุ่นเพื่อพัฒนานโยบายสำหรับประเทศไทย เนื่องจากประเทศไทยประสบปัญหาน้ำท่วมบ่อยครั้ง ทำให้เกิดขยะจำนวนมหาศาลซึ่งเกินขีดความสามารถของระบบจัดการขยะปกติ การศึกษาได้เปรียบเทียบกรณีศึกษาในประเทศญี่ปุ่นและประเทศไทย พร้อมทั้งเสนอแนวทางการจัดการขยะในแต่ละระยะของภัยพิบัติ รวมถึงข้อเสนอแนะเชิงนโยบายต่อประเทศไทยถึงความจำเป็นของการเตรียมความพร้อมด้านการจัดการขยะหลังภัยพิบัติ เพื่อเสริมสร้างความพร้อมและความยั่งยืนในการจัดการขยะหลังภัยพิบัติในประเทศไทย

Performance Of Numerical Methods Applied To The Black–Scholes Model, Scott Cameron Williams

UNF Graduate Theses and Dissertations

We compare five numerical approaches for approximating solutions to the Black–Scholes partial differential equation for pricing European call options: FTCS, BTCS, Crank– Nicolson, Monte Carlo simulation, and a physics–informed neural network (PINN). These methods span finite difference techniques, probabilistic simulation, and machine learning. Performance is evaluated based on computational efficiency and accuracy relative to the analytical Black–Scholes solution.

Among the methods, Crank–Nicolson and the PINN demonstrated the strongest overall performance. Crank–Nicolson achieved the highest accuracy but exhibited increased runtime as the number of underlying stock price grid points grew. In contrast, the PINN produced slightly less accurate results but with …

A Comparative Study Of Classification Methods For Healthcare Analytics, Xueting Zhao

UNF Graduate Theses and Dissertations

This thesis presents a comparative study of logistic regression, Linear Discriminant Analy- sis (LDA), and Quadratic Discriminant Analysis (QDA) for binary classification in healthcare analytics, integrating theoretical derivation, simulation, and real-data application. A facto- rial simulation study crosses the covariance structure (equal vs. unequal), predictor correla- tion (ρ ∈ {0, 0.5, 0.9}), dimensionality (p ∈ {2, 5, 10}) and sample size (n ∈ {50, 100, 200}) across 54 scenarios with 1,000 Monte Carlo replicates each. Three main findings emerge. Logistic regression and LDA are nearly interchangeable when the assumption of equal-covariance holds. QDA achieves substantially better discrimi- nation when class-specific …

Operationalizing Mtss: A Case Study Of Principal Leadership Practices In Guiding School-Based Leadership Teams Through Inquiry And Improvement Science, Heather M. Teto

UNF Graduate Theses and Dissertations

The COVID-19 pandemic widened academic achievement gaps, creating an urgent mandate for school leaders to implement systemic, data-driven frameworks to support student academic recovery. While the Multi-Tiered System of Supports (MTSS) is a widely adopted framework for addressing these disparities, its success is dependent on the strategic involvement and instructional leadership of the school principal. This qualitative case study explores the lived experiences and leadership characteristics of elementary school principals as they lead School-Based Leadership Teams in implementing a district-developed MTSS framework.

Guided by the principles of Improvement Science and the Plan-Do-Study-Act (PDSA) inquiry cycle, this research examines the specific …

Fostering Reading: Review Of A College Bridge Program For Deaf And Hard Of Hearing High School Students, Cara Wilmot

UNF Graduate Theses and Dissertations

This mixed-methods formative program evaluation examined the reading component of a summer College Bridge Program (CBP) designed for high school students who are deaf and hard of hearing (d/Dhh). Persistent disparities in reading outcomes among d/Dhh students have been linked to differences in language access, communication access, and opportunities to receive specialized instruction. Using the Context, Input, Process, Product (CIPP) evaluation model, this study evaluated how the CBP identified and addressed students' reading needs, implemented evidence-based instructional practices, and supported reading development through a three-week summer program.

Participants included 45 d/Dhh high school students from 12 southeastern states, as well …

Automatic Generation Of Introductory Programming Exercises With Large Language Models, Nguyen Binh Duong Ta, Hua Gia Phuc Nguyen, Gottipati Swapna

Research Collection School Of Computing and Information Systems

Despite recent advances in code generation made possible by large language models (LLMs), programming is still an essential skill that computing students need to master now and in the foreseeable future. In learning programming, frequent practices with exercises set at an appropriate difficulty and knowledge level is of crucial importance for students. However, it’s not a trivial task for instructors to create many good quality exercises customized for each student. Programming problems found on Internet sources such as LeetCode are mostly too challenging for novice programmers with no prior coding knowledge. Recent work in AI-enabled education has been leveraging LLMs …

Choice-Based Crowdshipping For Next-Day Delivery Services: A Dynamic Task Display Problem, Alp Arslan, Firat Kilci, Shih-Fen Cheng, Archan Misra

Research Collection School Of Computing and Information Systems

This paper studies integrating the crowd workforce into next-day home delivery services. In this setting, both crowd drivers and contract drivers collaborate in making deliveries. Crowd drivers have limited capacity and can choose not to deliver if the presented tasks do not align with their preferences. The central question addressed is: How can the platform minimize the total task fulfilment cost, which includes payouts to crowd drivers and additional payouts to contract drivers for delivering the unselected tasks by customizing task displays to crowd drivers? To tackle this problem, we formulate it as a finite-horizon Stochastic Decision Problem, capturing crowd …

Gig Worker Social Referrals On An On-Demand Food Delivery Platform, Hai Wang, Hao Sun, Peter Zhang

Research Collection School Of Computing and Information Systems

Social referral programs are commonly used by online labor platforms to incentivize labor supply by rewarding existing workers for successful referrals. This study investigates the impact of such programs on gig workers' labor supply in online labor platforms using data from an on-demand food delivery platform in Singapore. In particular, we analyze how gig workers' past labor supply and referral behavior influence the generation and value of social referrals. This research offers insights into the mechanisms that drive labor supply dynamics in the gig economy and highlights the effectiveness of social referral programs for shaping worker behavior and enhancing platform …

Can We Read Ai’S Mind? A Quest For Transparency, Santhosh Kumar Ravindran, Estera Kot, Fiona Fui-Hoon Nah

Research Collection School Of Computing and Information Systems

Although Artificial Intelligence (AI) systems are playing an increasing role in critical domains such as healthcare, finance, and autonomous systems, their decision-making processes remain largely opaque. This paper examines the challenges of AI transparency, addressing the “black box” problem using Explainable AI (XAI) techniques such as SHapley Additive exPlanations (SHAP) and Local Interpretable Model-agnostic Explanations (LIME). It also examines the ethical, regulatory, and societal implications of AI opacity and proposes a Comprehensive AI Observability (CAO) Framework that integrates deep explainability, provenance tracking, and real-time monitoring to enhance AI accountability. By bridging technical solutions with governance structures, this research emphasizes the …

Actor-Critic For Continuous Action Chunks: A Reinforcement Learning Framework For Long-Horizon Robotic Manipulation With Sparse Reward, Jiarui Yang, Bin Zhu, Jingjing Chen, Yu-Gang Jiang

Research Collection School Of Computing and Information Systems

Existing reinforcement learning (RL) methods struggle with long-horizon robotic manipulation tasks, particularly those involving sparse rewards. While action chunking is a promising paradigm for robotic manipulation, using RL to directly learn continuous action chunks in a stable and data-efficient manner remains a critical challenge. This paper introduces AC3 (Actor-Critic for Continuous Chunks), a novel RL framework that learns to generate high-dimensional, continuous action sequences. To make this learning process stable and dataefficient, AC3 incorporates targeted stabilization mechanisms for both the actor and the critic. First, to ensure reliable policy improvement, the actor is trained with an asymmetric update rule, learning …

Interpretable Machine Learning For In-Home Mild Cognitive Impairment Detection, Budhitama Subagdja, Shanthoshigaa D, Ah-Hwee Tan, Iris Rawtaer

Research Collection School Of Computing and Information Systems

This paper introduces a novel system for in-home cognitive health assessment using ambient sensors and a machine learning technology that can robustly detect mild cognitive impairment (MCI) despite limited available data. The learned model can explain the aspects of individuals’ daily lives led to the prediction, while reliably predicting MCI, providing more insights to healthcare workers for further clinical interventions. We developed the robust transparent machine learning model, based on fusion adaptive resonance theory (Fusion ART) neural network to learn individuals’ daily patterns of activity from continuous sensor data in terms of a suite of digital biomarkers reflecting four key …

Leveraging Large Language Models For Career Mobility Analysis: A Study Of Gender, Race, And Job Change Using Us Online Resume Profiles, Palakorn Achananuparp, Ye Xu, Yao Lu, Xavier Jayaraj Siddarth Ashok, Ee-Peng Lim

Research Collection School Of Computing and Information Systems

We present a large-scale analysis of career mobility of college-educated U.S. workers using online resume profiles to investigate how gender, race, and job change options are associated with upward mobility. This study addresses key research questions of how the job changes affect their upward career mobility, and how the outcomes of upward career mobility differ by gender and race. We address data challenges – such as missing demographic attributes, missing wage data, and noisy occupation labels – through various data processing and Artificial Intelligence (AI) methods. In particular, we develop a large language models (LLMs) based occupation classification method known …

Gui Test Migration Via Abstraction And Concretization, Yakun Zhang, Chen Liu, Xiaofei Xie, Yun Lin, Jin Song Dong, Dan Hao, Lu Zhang

Research Collection School Of Computing and Information Systems

GUI test migration aims to produce test cases with events and assertions to test specific functionalities of a target app. Existing migration approaches typically focus on the widget-mapping paradigm that maps widgets from source apps to target apps. However, since different apps may implement the same functionality in different ways, direct mapping may result in incomplete or buggy test cases, thus significantly impacting the effectiveness of testing the target functionality and the practical applicability of migration approaches.In this article, we propose a new migration paradigm (i.e., the abstraction-concretization paradigm) that first abstracts the test logic for the target functionality and …

Dual-Lora And Quality-Enhanced Pseudo Replay For Multimodal Continual Food Learning, Xinlan Wu, Bin Zhu, Feng Han, Pengkun Jiao, Jingling Chen

Research Collection School Of Computing and Information Systems

Food analysis has become increasingly critical for health-related tasks such as personalized nutrition and chronic disease prevention. However, existing large multimodal models (LMMs) in food analysis suffer from catastrophic forgetting when learning new tasks, requiring costly retraining from scratch. To address this, we propose a novel continual learning framework for multimodal food learning, integrating a Dual-LoRA architecture with Quality-Enhanced Pseudo Replay. We introduce two complementary low-rank adapters for each task: a specialized LoRA that learns task-specific knowledge with orthogonal constraints to previous tasks’ subspaces, and a cooperative LoRA that consolidates shared knowledge across tasks via pseudo replay. To improve the …

Design Principles For Customer-Engaging Digital Service Systems: An Action Research Study, Keng Leng Siau, Xiaofeng Chen, Xin Tan

Research Collection School Of Computing and Information Systems

Digital services represent a business approach employed by organizations to operate in the digital environment. However, systematic development guidelines for developing quality digital service systems are lacking in the literature. The authors identified four general challenges for developing and implementing customer-engaging digital service systems (CEDSS). By employing the method of canonical action research in a digital service system project, they derived 10 design principles for developing high-quality CEDSS. They empirically evaluated the design principles in the development project and through follow-up focus group sessions. The design principles provide applicable and actionable guidelines for the development of CEDSS.

Learning-Based Graph Shrinking For Quantum Optimization Of Constrained Combinatorial Problems, Monit Sharma, Hoong Chuin Lau

Research Collection School Of Computing and Information Systems

Graph shrinking has recently emerged as a powerful preprocessing technique for hybrid classical–quantum optimization, enabling variable and constraint reduction before quantum solving. Conventional approaches rely on Semi-Definite Programming (SDP) relaxations to compute vertex correlations, but these methods suffer from high computational overhead, instance-specific tuning, and limited generalizability. In this work, we replace the handcrafted SDP correlation stage with a reinforcement learning (RL) based correlation estimator, trained to predict merge quality directly from graph structure. We reformulate the graph shrinking process as a Markov Decision Process (MDP), design a Graph Neural Network (GNN) policy to guide vertex merging, and integrate the …

Analysis Theories On Artificial Intelligence, Chatgpt, Data Science, And Metaverse: The Case Of Digital Medicine, Yin Yang, Xingyun Liu, Jorge Luis Cuyubamba Dominguez, Yuan Fang, Wen Xie, Bairong Shen, Keng Siau

Research Collection School Of Computing and Information Systems

Healthcare organizations are increasingly adopting digital technologies, with Artificial Intelligence (AI), Data Science, and the metaverse driving significant advancements in smart healthcare. Al facilitates personalized medicine and efficient drug development, while Data Science enables predictive analytics and big data management, enhancing patient outcomes and healthcare quality. The metaverse introduces immersive training and telemedicine platforms, revolutionizing patient engagement and healthcare research. This study conducts' a scoping review of 6,171 articles, analyzing the transformational impact of AI, ChatGPT, Data Science, and the metaverse on healthcare. It highlights the benefits and risks of these technologies, identifies research gaps in their application within the …

Towards Secure Program Partitioning For Smart Contracts With Llm’S In-Context Learning, Ye Liu, Yuqing Niu, Chengyan Ma, Ruidong Han, Wei Ma, Yi Li, Debin Gao, David Lo

Research Collection School Of Computing and Information Systems

Smart contracts are highly susceptible to manipulation attacks due to the leakage of sensitive information. Addressing manipulation vulnerabilities is particularly challenging because they stem from inherent data confidentiality issues rather than straightforward implementation bugs. To tackle this by preventing sensitive information leakage, we present PARTITIONGPT, the first LLM-driven approach that combines static analysis with the in-context learning capabilities of large language models (LLMs) to partition smart contracts into critical (privileged) and normal codebases, guided by a few annotated sensitive data variables. We evaluated PARTITIONGPT on 18 annotated smart contracts containing 99 sensitive functions. The results demonstrate that PARTITIONGPT successfully generates …

Trajlens: Visual Analysis For Constructing Cell Developmental Trajectories In Cross-Sample Exploration, Qipeng Wang, Shaolun Ruan, Rui Sheng, Yong Wang, Min Zhu, Huamin Qu

Research Collection School Of Computing and Information Systems

Constructing cell developmental trajectories is a critical task in single-cell RNA sequencing (scRNA-seq) analysis, enabling the inference of potential cellular progression paths. However, current automated methods are limited to establishing cell developmental trajectories within individual samples, necessitating biologists to manually link cells across samples to construct complete cross-sample evolutionary trajectories that consider cellular spatial dynamics. This process demands substantial human effort due to the complex spatial correspondence between each pair of samples. To address this challenge, we first proposed a GNN-based model to predict cross-sample cell developmental trajectories. We then developed TrajLens, a visual analytics system that supports biologists in …

Editorial: Special Section On Challenges And Opportunities In Retrieval-Augmented Generation For Llms: Techniques, Trends, And Applications, Philip S. Yu, Haofen Wang, Feida Zhu

Research Collection School Of Computing and Information Systems

Retrieval-Augmented Generation (RAG) represents a transformative advancement for Large Language Models (LLMs) by integrating external knowledge to substantially improve accuracy and mitigate hallucinations. As a pivotal technology in the contemporary generative Artificial Intelligence (AI) landscape, RAG addresses fundamental challenges in knowledge-intensive tasks. This special issue serves as a dedicated platform to showcase these cutting-edge advancements. It features six rigorously peer-reviewed papers that present state-of-the-art research and applications in the rapidly evolving field of RAG.

Qualitative Study For Llm-Assisted Design Study Process: Strategies, Challenges, And Roles, Shaolun Ruan, Rui Sheng, Xiaolin Wen, Jiachen Wang, Tianyi Zhang, Yong Wang, Tim Dwyer, Jiannan Li

Research Collection School Of Computing and Information Systems

Design studies aim to develop visualization solutions for real-world problems across various application domains. Recently, the emergence of large language models (LLMs) has introduced new opportunities to enhance the design study process, providing capabilities such as creative problem-solving, data handling, and insightful analysis. However, despite their growing popularity, there remains a lack of systematic understanding of how LLMs can effectively assist researchers in visualization-specific design studies. In this paper, we conducted a rnulti-stage qualitative study to fill this gap, which involved 30 design study researchers from diverse backgrounds and expertise levels. Through in-depth interviews and carefully-designed questionnaires, we investigated strategies …

Scaling Up Cooperative Multi-Agent Reinforcement Learning Through Hierarchical Heterogeneous Modular Architectures, Minghong Geng

Research Collection School Of Computing and Information Systems

Multi-agent reinforcement learning enables sophisticated collaborative behaviors in autonomous systems, yet fundamental scalability barriers persist: existing methods struggle to coordinate large agent populations and face challenges with extended decision-making horizons. This research develops hierarchical approaches to scale up multi-agent learning systems through two complementary directions: structural scaling for coordinating increasing numbers of agents and temporal scaling for extending decision-making horizons. This paper presents four integrated contributions: a taxonomic survey establishing hierarchical architectures as the theoretical foundation for scalable multi-agent learning systems, a benchmark for long-horizon multi-objective multi-agent reinforcement learning, a framework integrating self-organizing neural networks with multiple reinforcement learning agents …

Artem: Enhancing Large Language Model Agents With Spatial-Temporal Episodic Memory, Cassandra Hui Ming Tan, Budhitama Subagdja, Ah-Hwee Tan

Research Collection School Of Computing and Information Systems

Current large language models (LLMs) exhibit significant deficiencies in episodic memory tasks including encoding, storing, and retrieving specific information from temporally dependent events over a long period of time. Recent approaches to handle memory tasks in LLMs, such as in-context learning, retrieval-augmented generation (RAG), and fine-tuning, may resolve the long-term retention issues, but are still inadequate to handle tasks requiring chronological awareness of the stored information. We introduce Agentic Retrieval with Temporal-Episodic Memory (ARTEM), a hybrid LLM-based agent architecture integrating LLMs with a self-organizing neural network named Spatial-Temporal Episodic Memory (STEM), designed to handle episodic memory tasks. Our approach employs …

Dystop: Dynamic Staleness Control And Topology Construction For Asynchronous Decentralized Federated Learning, Yizhou Shi, Qianpiao Ma, Yan Xu, Junlong Zhou, Ming Hu, Yunming Liao

Research Collection School Of Computing and Information Systems

Federated Learning (FL) has emerged as a potential distributed learning paradigm that enables model training on edge devices (i.e., workers) while preserving data privacy. However, its reliance on a centralized server leads to limited scalability. Decentralized federated learning (DFL) eliminates the dependency on a centralized server by enabling peer-to-peer model exchange. Existing DFL mechanisms mainly employ synchronous communication, which may result in training inefficiencies under heterogeneous and dynamic edge environments. Although a few recent asynchronous DFL (ADFL) mechanisms have been proposed to address these issues, they typically yield stale model aggregation and frequent model transmission, leading to degraded training performance …

Llamoco: Instruction Tuning Of Large Language Models For Optimization Code Generation, Zeyuan Ma, Yue-Jiao Gong, Hongshu Guo, Jiacheng Chen, Yining Ma, Zhiguang Cao

Research Collection School Of Computing and Information Systems

Recently, combining the strength of large language models (LLMs) and Evolutionary Computation (EC) has shown promising results for addressing optimization problems. It typically involves either iterative next-step solution seeking or directly prompting LLMs to generate critical optimization codes. However, these methods often suffer from low computational efficiency, high sensitivity to prompt design, and a lack of domain-specific knowledge. We introduce LLaMoCo, the first instruction-tuning framework designed to adapt LLMs for solving optimization problems in a code-to-code manner. LLaMoCo features a comprehensive instruction set that includes code-style problem descriptions as input prompts and robust optimization codes from expert EC optimizers as …