本文提出一种游戏化方法作为智能建筑基础设施的新框架，旨在激励人类占用者重新考虑个人能源使用并对其环境产生积极影响。我们引入了一种以博弈论为基础的策略，在建筑管理员与占用者之间创建接口，可能会激励节能行为，运用新型效用学习框架提高预测性能，通过双向递归神经网络扩展效用学习模式进行优化，最后我们还开源了与能源博弈论框架有关的去匿名化的高维数据。

Oct, 2019

使用鲁棒的参数效用学习框架，将用户交互建模为非合作博弈，并通过集成方法扩展来提高预测性能。应用于鼓励用户节能行为的社交游戏实验中，表现出良好的性能。

Apr, 2017

本文介绍了一种基于能量的学习框架，用于生成场景图，允许将场景图的结构有效地纳入输出空间中，通过在学习框架中添加一些约束条件，可以最终提高模型的性能，在视觉基因组和 GQA 基准数据集上的性能提高了 21％和 27％，在零样本和少样本情况下优于现有模型。

Mar, 2021

通过使用智能电表数据推导的负荷曲线，在实际案例研究中，我们提出了一种新颖的基于机器学习的框架，以实现通过适用于伦敦近 5000 个家庭的数据从而获得最佳负荷剖析。我们应用了四种广泛使用的聚类算法：K-means、K-medoids、层次凝聚聚类和基于密度的空间聚类。通过经验分析和多个评估指标来评估这些算法，并将问题重新定义为概率分类问题，并借助可解释的 AI（xAI）来提高解决方案的可解释性。根据聚类算法的分析，此案例的最佳聚类数为七个，但是我们的方法表明其中两个聚类，约占数据集的 10％，存在显着的内部差异，因此我们将其进一步划分为总共九个聚类。我们的解决方案具有可扩展性和多功能性，使其成为希望为用户细分以创建更有针对性的需求响应计划的电力公用事业公司的理想选择。

Oct, 2023

本文提出了基于 Stackelberg 博弈理论的框架模型，实现需求响应汇集器和生产者之间的灵活双向能源套利，同时确保满足生产者的每日能源需求，基于在线采样学习的生产者最优响应提供了近似均衡及其质量界限，通过真实世界数据演示了所提出的框架和在线可伸缩方案的有效性。

Apr, 2023

利用博弈论作为数学框架，解决多智能体运动预测与控制中的交互建模问题。通过建立微分博弈、最优控制和基于能量的模型之间的联系，提出了基于能量的潜力博弈的统一方法，并介绍了结合神经网络进行博弈参数推断的端到端学习应用，该应用具有可解释性并通过两个模拟实验和两个真实驾驶数据集证明了其对各种神经网络模型的预测性能的改善。

Dec, 2023

本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统，学习多个领域的知识，从而可以进行上下文感知预测和评估异常严重性，该模型可以应用于机器学习和神经形态计算等领域。

Oct, 2021

利用能量模型进行桥梁创新，通过博弈论解释损失函数，使用 Langevin 动力学技术生成基于能量的桥梁样本，从而建立一个生成模型，但由于训练不稳定和速度缓慢，生成新的桥梁类型的可能性很低，生成图像的清晰度也较低。

Jan, 2024

本文介绍了如何使用能力问题来规范专家知识和应用需求，以在住宅能源消费领域对聚类应用进行上下文特定评估。

Jun, 2020

采用聚类技术实现需求响应节能项目，并结合预测、聚类和价格策略引擎为参与项目的生产者提供个性化的节约建议和定价策略。

Mar, 2023