本文提出了一种量化的交互式学习和自适应行为方法，并从模型和决策制定的角度整合了行为反馈。通过在最小复杂度下最大化预测能力，导出了最优行为政策和模型的类，并总结了这一过程的因果组织。该方法的基本原则之一是学习者的最优行为政策需要在勘探和控制之间保持平衡，这是一个新的重点。

Sep, 2007

本研究探讨了一种基于信息理论的内在动机方法，通过最大化机器人行为的使能度来实现内在动机，该方法在基准控制问题上得到成功应用，有助于设计实用的人工内在动机控制器和将动物行为与其动力学特性联系起来。

Dec, 2022

研究表明，系统动力学响应随机信号的过程可以被解释为其计算环境变量的隐含模型；而模型的效率可以用熵来衡量，因此该研究揭示了信息使用的效率与热力学操作的关联。

Mar, 2012

本文提出了一个基于信息论的新框架，旨在解决复杂系统中的信息推理问题，该框架基于 Shannon 信息理论的变分扩展，结合了建模能力和计算限制，提出了预测 V - 信息的概念，在模型表示学习和系统结构学习方面表现优于传统的相互信息的方法。

Feb, 2020

本文介绍了一个随机搜索算法来优化意识的一个定量测量标准 phi，并给出了一些增强搜索算法的特定研究线路。

Dec, 2022

通过信息熵，我们提出了一种实用的方法来解压数据中的重要变化，以研究复杂系统。

Jul, 2023

应用信息理论于成像系统的研究中，通过建模对象和测量之间的概率关系，利用只有噪声测量数据的方法估计信息，进而综合量化测量质量，优化成像硬件设计，探索成像系统的基本性能极限，并提供分析和设计工具。

May, 2024

研究提出了一种基于信息论特征的高度通用的方法，用于识别和学习多变量时间序列数据中的模式和趋势。通过在人类活动数据中分析模式变化，结果表明该方法可以提高召回率、F1 分数和准确性，在平均基线模型和更简单的模型结构下，平均减少 18.75 倍的模型参数数量。

Feb, 2023

通过数据驱动算法和高性能计算，我们构建了一个基于时空光锥的框架，用于实现新现象的自组织，并且本文指出局部因果状态可以在复杂的时空系统中捕捉有序行为和一致结构。在二维湍流方面，我们证明了局部因果状态捕捉了涡旋及其幂律衰减行为，而在应用方面，我们演示了局部因果状态可用于识别已知（飓风和大气河流）和新的极端天气事件，并且可以通过高分辨率气候数据进行时间跟踪。

Apr, 2023

通过引入准确的表示学习机制 ——Predictive Information QT-Opt（PI-QT-Opt），我们研究了预测信息对机器人智能代理的建模以及其在从大量数据中培养具备各种技能的通用代理方面的重要性。实验结果表明，这种机制的应用能有效地提高任务求解的速度，并实现对无尝试性新任务的更好的转移学习。

Oct, 2022