本论文介绍了一种基于最优试验设计的非线性动力学探索算法 FLEX，其策略最大化下一步的信息并具有适应性，可与通用参数学习模型兼容且需要最少的资源，在不同环境下进行测试并证明其性能与计算成本低。

Apr, 2023

该论文介绍了约束逻辑编程和 Answer Set Programming 在混合领域的开发中的成功，以及 CASP 系统的困难之处，认为需要一个评估不同 CASP 方法集成方案的案例研究来解决这一问题。

Dec, 2013

本文通过在三个常用数据集上的系统探索建立关系提取的统一框架，发现预处理对性能的影响巨大，且缺少信息会进一步阻碍公平比较，文章还就未来研究提出了建议。

Jun, 2019

本文探讨了如何设计系统来增强终端用户的跨领域探索能力，并开发了一种探索性搜索系统，其中终端用户可以从论文摘要的核心部分中选择感兴趣的内容，并检索与用户选择的核心方面高度相似但在领域方面不同的论文，进一步地帮助用户了解领域集群中的微妙差异，我们通过与科学家的案例研究发现了系统旨在促进跨领域探索和灵感的机会和设计影响。

Jun, 2022

探讨了面向跨域视觉搜索的开放式设定，在公共语义空间中搜索实现在任何领域中进行搜索以及在多个领域之间进行搜索，向各个可用视觉领域的每一个领域的映射以通过分类样本进行搜索的方法，能够提供与现有半封闭设定相媲美的结果。

Nov, 2019

本研究针对优化问题，提出了一种基于自动设计元启发式算法的方法学框架 AutoOpt，该框架包含具有良好性能的算法性能评估标准、算法设计决策空间的一般架构、设计算法所用的混合图和实数表示以及无模型方法来进行设计过程。实测结果表明，AutoOpt 是一种有效和高效的设计元启发式算法的方法学框架。

Apr, 2022

该研究提出了一种基于机器学习的框架来扩大组合优化算法，并使用可解释的学习模型来提供更深层次的洞见，以设计更好的启发式方法，在最大团枚举问题中展示了该框架的性能，并从中获得启示设计了一种新的启发式方法。

Jan, 2020

该研究通过调查和与专家的讨论，旨在找到适用于各个用例的通用解释框架的要素，并将这些洞察力纳入到一个利用 GP 算法的软件工具中。由于对可解释性的普遍偏好，可 sacrificed 实现准确性为代价。此外，我们强调了特征重要性和反事实解释作为该框架的关键组成部分的重要性。在 XAI 领域中推广知识，我们的问卷调查结果是公开可用的。

May, 2024

为了解决程序综合中搜索空间膨胀的问题，我们提出了 CrossBeam，它训练一个神经模型来学习自底向上的搜索策略，从而更加高效地探索程序空间。我们在字符串操作和逻辑编程领域实验后发现，CrossBeam 学会了高效搜索，相比最先进的技术，它探索了更小的程序空间。

Mar, 2022

JCLEC-MO 是一个 Java 框架，用于多目标优化，它使工程师能够在很少的编程工作下应用或改进大量多目标算法。

Feb, 2024