介绍了 Action Schema Network (ASNet)：一种用于学习概率规划问题通用策略的神经网络模型。通过模拟规划问题的关系结构，ASNet 能够采用权重共享方案，使网络能够应用于给定规划域中的任何问题。此外，提出一种平衡探索和监督训练的训练方法，以产生在评估较大问题时仍保持稳健的策略。在实验中，我们展示了 ASNet 的学习能力让其在多个具有挑战性的领域中明显优于传统的非学习规划者。

Sep, 2017

本文介绍使用 Action Schema Networks（ASNets）学习概率和经典计划问题的广义策略，ASNets 是一种神经网络架构，它利用（P）PDDL 计划问题的关系结构来学习一组通用权重，可以应用于该领域内的任何问题，我们扩展了 ASNets 架构以使其更具表现力，同时仍保持不变，还提出了瞬时诱导正则化方法，产生足够紧凑的 ASNets，以便人们可以理解，实验结果表明 ASNets 可以产生通用反应策略，可以更快地解决大型问题实例。

Aug, 2019

本文探讨了深度强化学习技术在合作多智能体系统中的应用，实验结果表明不同网络架构的表现存在差异，提出了增强其表示能力来解决失败问题的建议。

Feb, 2019

本文介绍了一种系统的方法来将代理的行为的因果效果归因于其对其他代理的影响，通过引入代理特定效应（ASE）作为一种衡量代理行为对其他代理传播的结果影响的新型因果量。同时，我们提出了一种基于抽样的算法来估计 ASE 的反事实对应物（cf-ASE），并通过模拟测试来实验评估 cf-ASE 的实用性，其中包括一种败血症管理环境。

Oct, 2023

探究网络结构对学习算法利用语义关系的倾向性，发现基于注意力机制构建的网络结构在零样本协调任务中具有更好的归纳偏好，并经过精细的评估和场景分析，证明了这种策略是可解释的， 并且这样的智能体在没有训练任何人类数据的情况下就能够与人类协调一致。

Jan, 2022

本研究提出了一种神经语义解析方法，即 Sequence-to-Action，将语义解析建模为端到端的语义图生成过程，并结合了语义解析的两个方向的优点，通过强大的表征学习和预测能力，提出了一种可以有效地将句子映射到行动序列来生成语义图的 RNN 模型。实验结果表明，该方法在 OVERNIGHT 数据集上达到了最先进的性能，并在 GEO 和 ATIS 数据集上取得了竞争性的表现。

Sep, 2018

本研究提出一种模拟语言特征的通信协议，通过将高维信息编码为低维表示来分析对任务表现的影响，进而提高任务完成率，并强调了语言作为代理之间共同表征的作用及其对泛化能力的影响。

May, 2023

使用分布式图神经网络在异步 PAC 中计算导航行为和生成通信消息的框架，有效地为协同覆盖大环境的大型机器人群体进行导航。

Sep, 2023

本文提出了行动网络作为一个基于语义的框架，用于在不确定性下对行动和变化进行推理。

Feb, 2013

该研究针对大规模多智能体系统，建立一种基于完全图的游戏抽象机制，以简化学习过程，并通过交通路口和猎物 - 捕食者两种实验验证其在状态空间和收敛性能上的优势。

Nov, 2019