通过模块化设计并学习潜在的离散技能，该研究在多任务强化学习和少样本学习中实现了更高的样本效率和解释性。

Feb, 2022

论文考察了人工系统的认知性能和专家技能所需的特定技能水平以及专业知识储备，并介绍了人工智能 /cog 合奏中认知加强的六个级别，旨在通过这种合作达到合成专业知识的目的，进而实现专业知识的民主化和新的认知系统时代的到来。

Nov, 2022

本文提出一种基于模块化架构和任务驱动的先验知识的学习算法，能够有效地处理长时间序列任务，且在常规连续学习基准测试上表现出了竞争优势。

Dec, 2020

本文基于 CONAIM 模型，以增量方式学习程序，并通过增加学习过程的奖励函数提高认知代理的认知复杂性，从而解决了复杂任务。

Apr, 2023

本文研究了一种进化方法来创建具有认知功能的自主体的认知架构，采用功能核心产生自主体的智能功能，并介绍了基于构造主义理论的自主体认知能力的演化。

Jul, 2022

研究探索通过推断环境因果结构以收集相关干预数据为手段，建立捕捉传感器运动交互背后真实物理机制的世界模型对于提高深度学习、强化学习、迁移学习和泛化能力至关重要。

Aug, 2022

从大规模训练日志数据中发掘技能学习的规律，分为两个阶段的算法，使用深度学习模型确定学习者的认知状态和评估特征重要性，然后利用符号回归算法将神经网络模型解析为代数方程。实验结果表明，该算法在连续反馈设置中能够准确恢复各种预设规律，在应用于 Lumosity 训练数据时相比传统和最新模型有更好的性能。结果发现了两种新形式的技能学习规律，并对某些先前的研究结果进行了重新确认。

Apr, 2024

基于互动持续学习框架，使用大型语言模型与记忆检索机制，以及模型之间的协作交互，实现抵抗遗忘和优越性能的持续学习。

Mar, 2024

概念学习是人类认知的基本方面，与分类、推理、记忆和决策等心理过程密切相关。通过研究计算神经科学和认知心理学的发现，本文发现大脑对概念的表示依赖于多感官表示和文本派生表示两个关键组成部分，并通过语义控制系统协调这两种表示，最终实现概念的获取。借鉴这一机制，本研究基于脉冲神经网络开发了一种人类类似的概念学习计算模型，有效应对多样化来源和不平衡维度的概念表示所带来的挑战，并成功获得了类似人类认知的概念表示。类似概念的测试表明，我们的模型模拟了人类学习概念的方式，得到了与人类认知密切吻合的表示结果。

Jan, 2024

本研究提出了 TAMiL 方法，应用任务注意模块和自动编码器捕捉共同表示空间中的任务特定信息，并在全局工作区中保留任务相关信息以缓解灾难性遗忘现象。实验结果表明，该方法优于现有基于重新玩彩和动态稀疏方法的连续学习方法。

Feb, 2023