从人类到自主引导代理的知识获取方法的多学科综述
本文提供了一个交叉学科的观点，以发展由人与机器组成的社会技术群体，通过结合人工智能和人类智能，共同实现复杂目标，并从彼此学习中不断提高。因此，需要为这些系统提供结构化的设计知识，并展示了使这些应用程序的系统开发人员有用的指导。
May, 2021
本文提出了一种新的理论方法，通过智能系统实现领域知识获取。我们介绍了一种混合模型，通过一个知识图谱数据库存储和推理最小输入知识，并通过逻辑神经网络学习新信息。我们研究了该系统处理新数据的行为，并展示最终系统能够丰富当前的知识并将其扩展到新领域。
Nov, 2022
该论文综合系统地回顾了知识追踪 (KT) 领域的文献，涵盖了从早期尝试到使用深度学习的最新现状，强调了模型的理论方面和基准数据集的特征，阐明了相关方法之间的关键建模差异，并以易于理解的格式总结了它们。最后，我们讨论了 KT 文献中的当前研究差距和可能的未来研究和应用方向。
Jan, 2022
本文探讨了知识驱动的自动驾驶技术，并强调了当前自动驾驶系统存在的数据偏差敏感性、处理长尾场景的困难以及缺乏可解释性等限制。然而，具有认知、泛化和终身学习能力的知识驱动方法被视为克服这些挑战的有希望途径。本文通过利用大型语言模型、世界模型、神经渲染和其他先进的人工智能技术，系统梳理和回顾了该领域的先前研究工作，并为未来自动驾驶的研究和实际应用提供了洞见和指导。
Dec, 2023
研究使用多种知识源在 Soar 认知结构下开发智能体，探讨不同知识源对一次性学习新任务的作用。测试结果表明，混合不同知识源可以提高智能体的学习效率，减少人类反馈。
Aug, 2022
本文提出了一个名为 CMC-CMKM 的多模态自监督学习框架，可以学习到更好的人体活动识别特征。在两个广泛使用的数据集上进行的广泛实验表明，该框架在不同场景下的性能显著优于对比单模态和多模态基线，在有些情况下甚至可以与监督方法相竞争。
May, 2022
通过部署多个跨领域人工智能代理，本研究介绍了一种新的跨领域知识发现方法，这些代理分别专门负责不同的知识领域，通过统一框架协作合作，合成并提供超越单领域专业知识限制的全面洞察力，从而增强知识发现和决策过程。通过对不同多代理工作流场景的比较分析，评估其在效率、准确性和知识整合广度方面的表现，本研究通过一系列涉及复杂的跨学科查询的实验结果展示了领域专用多人工智能代理系统在识别和弥合知识差距方面的卓越能力，强调了合作人工智能在推动创新方面的重要性，并为基于人工智能的跨学科研究和应用的未来发展奠定了基础。我们的方法在一小部分试验数据上进行了评估，并展示了我们预期的趋势，如果增加数据量并对代理进行定制化训练，预期趋势将更加平滑。
Apr, 2024
综述了科学自动化发现的各种方法，从方程式发现和符号回归到自主发现系统和代理人等，着重讨论了深度神经网络在这一领域中的各种角色和作用，并探讨了达到最大水平 —— 第五级的自主性所需的条件，以实现无需人工干涉的科学发现。
May, 2023
研究探讨了人类和机器代理之间的敏捷协同作业，阐述了在复杂环境中，通过透明度提高人类对机器代理的信任感，并说明了如何实现人 - 机知识融合，以应对不确定性来源的复杂事件处理情境，从而在分布式联合团队中为人类代理和机器代理带来更大价值。
Oct, 2020