该研究提出了一种通向一般、领域无关的领域复杂度水平的路径，该水平由固有和外在两个要素组成，可以帮助量化预测人工智能系统在转变测试环境、面对开放世界任务中的分布数据以及导航在开放世界领域中快速扩展的解决方案和搜索空间时所面临的困难。

Mar, 2023

研发了一个概念框架，用于识别和分类真实世界规划领域，特别以可持续建筑作为应用领域，该框架能够影响 AI 规划系统在真实世界应用领域的设计、开发和适用性。

Jul, 2023

该研究是对人工智能模型解释的广泛调查，发现解释决策和原因的不同方法和原因的异质性导致了个体解释框架。

Oct, 2022

这篇论文提出了一个开放世界模型和元特征系统，专注于在新旧世界之间的客观特征分布差异的基本识别，并通过元特征的牵引力实现了对新旧世界中学习能力的量子隧穿效应。该模型在学习新知识方面表现出色（以行人重识别数据集为例），最高可达 96.71％的准确度，并获得了类似于人类的探索新知识的能力。

Nov, 2023

该研究探讨了社会技术话语中的关系问题，即语义模糊、概念之间缺乏明确关系和不同的标准术语这些根本本体论问题。作者提出了一个概念框架来组织概念，包括操作性，认识论和规范方面，以帮助开发适当的指标、标准和机制，促进机构 AI 系统的研究和采用。

Mar, 2023

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

通过将探索驱动的学习概念性地统一监督学习和强化学习之间的探索驱动学习，我们提出了广义探索问题，以突出不同学习设置之间的关键相似之处和开放研究挑战，广义探索是用于维护开放式学习过程的必要目标。

Nov, 2022

利用机器学习获取领域无关的启发式函数以提高自动规划在不同领域系统中的实际应用。

Jul, 2017

本文研究了人工智能与人类交互中的感知难度，探讨了如何确切地评估每个代理人的能力，并提出了一种实验设计，以全面检验两个代理人的感知难度，为更好地设计这样的系统做出贡献。

Apr, 2023

本研究提出了一种基于对抗训练的可扩展框架，用于实现基于跨领域演示的自主智能体学习任务的能力，通过学习映射来实现不同领域间的策略转移，解决了其他方法在许多领域方面存在的问题。

Sep, 2022