元认知是关于代理自身内部过程的推理概念，在心理发展学领域首次引入。本文研究将元认知应用于人工智能的概念，提出了一个名为 TRAP 的元认知人工智能理解框架，包括透明度、推理、适应性和感知。我们逐个讨论了每个方面，并探讨了神经符号人工智能在解决元认知挑战中的应用。
Jun, 2024
介绍了一种元认知模块，使生成式智能体能够观察自己的思维过程和行为，从而显著提高性能并改进策略。在多种情景中进行了测试，包括求生僵尸启示录，发现我们的系统胜过其他系统，而且智能体随着时间适应并改进任务策略。
Jan, 2024
本研究综合了先前的工作，旨在建立一个关于 cognition 的 meta-learned 模型的研究计划，证明 meta-learning 可以用于构建 Bayes-optimal learning algorithms，实现对 cognitive theories 的更加广泛的范围的建模
Apr, 2023
该研究探讨人类在计算资源有限的情况下如何决策分配的元认知能力和元学习机制，结果表明人们通过学习来获得这种能力，并且可能是通过一种策略梯度机制来学习调整规划的数量。
Jan, 2022
本文介绍了将认知 - 情感模型转化为辅助代理程序的路线图，以帮助减少道德价值行动差距并进行自我调节和思考。
Feb, 2022
本论文提供了一个新颖的概念框架，包括四个基本的认知机制，这些机制同时协作运作，以实现幼儿元学习（学习的知识和调控）策略的实施。通过讲述核心机制和相关策略的路线图，作为解释发生在发展中大脑中的跨情境学习能力的基础。选择基本的互补过程四元组来共同代表裸骨的元学习架构，可作为模拟类脑学习和解决问题能力的人工智能（AI）系统扩展。利用元学习启动的年轻思维作为类脑计算的模型，本研究进一步讨论了道德基础的人工智能的重要影响。
Sep, 2023
建立能够有效与人类协作的机器一直是人工智能领域的长期目标。在存在不确定性的情况下，实现最佳合作通常需要人类和人工智能代理模拟彼此的行为，并利用这些模型推断潜在目标、信念或意图，这可能涉及多个层次的递归。我们提倡一种新的主动学习范式，利用人类作为主动数据源，同时考虑到他们的更高级别的能动性。此外，我们提供了一个使用高阶认知模型进行主动学习的实际示例。伴随着一个计算研究，突出了这个模型产生的独特行为。
通过演化得到的具有可塑性连接和神经调节的神经网络可以在自然的神经组织和可塑性系统的自发操作下，通过刺激和奖励独立地获取新的简单认知任务。
Dec, 2021
我们提出通过将认知架构与外部神经符号组件相结合，使人工智能系统能够进行高层次推理，讨论生成模型在最近和未来应用中的作用。
Nov, 2023
本论文通过 meta-learning 和神经协调的方法提出了一种新的途径，解决了深度神经网络的不确定性和在新环境中适应的问题，从而达到构建具有自主智能的机器的目的。
May, 2023