介绍了一个新的设计环境，称作CPHS，它将现有设计模型与涉及人机基础设施交互的上下文感知设计数据相结合，使用机器学习方法创建增强的设计模型来实现性能预测力的提高。

Jan, 2020

在现代机器学习中，标准强化学习算法在学习竞争代理之间的通信方面表现出仅有的负面结果。我们引入了一种改进的发送者-接收者游戏来研究部分竞争场景的光谱，并展示了通信确实可以在竞争环境中出现。我们通过实验证明了以下三个关键的研究成果。首先，我们表明通信与合作成正比例，并且可以使用标准学习算法在部分竞争的场景中发生。其次，我们强调了通信和操纵之间的区别，并将以前的通信度量扩展到了竞争的情况下。第三，我们研究了协商游戏，在此之前的研究未能学习到独立代理之间的通信（Cao et al.，2018）。我们证明，在这种情况下，两个代理都必须受益于通信才能出现；通过对游戏进行轻微修改，我们展示了竞争代理之间成功通信的情况。我们希望这项工作能推翻误解并激发更多的竞争性新兴通信方面的研究。

Jan, 2021

本文介绍了物理层中的典型假设及其与实际系统的差异，并考虑到实现步骤和挑战，系统地讨论了基于学习算法的决策机制设计。此外，通过使用软件定义无线电节点进行实时案例研究，论述了潜在的性能改进和未来措施的物理层的学习驱动框架。

Feb, 2021

本文综述了在建立机器学习(Machine Learning)算法时如何考虑建立安全的弹性型的Cyber Physical Systems(CPS)框架，为探测和应对CPS的威胁提供新方向。

Feb, 2021

本文探讨应用自动机学习算法对基于模型验证的关键信息进行提取，实现对物理系统的建模，并基于主动学习和Baum-Welch算法对马尔可夫决策过程和马尔可夫链进行学习，最终证明了该种方法可以显著减少建模所需的观测次数。

Oct, 2021

本文讨论了基础设施网络控制的范围和优化技术，将基础设施 CPS 视为具有半自治子系统的系统，并使用分布式控制优化来实现整个系统的目标。

May, 2022

本文提出了关于信息论中多重边际最优输运的等价性质，可以将其简化为熵最优输运的情形，并将其应用于不同信仰的代理之间的通信。结果表明，熵最优输运在多代理情况下是信息论上最优的，本工作可以为多代理团队合作中的最优输运理论研究提供指导。

Aug, 2022

这篇论文提出了一种名为“Cyber-Physical POMDP”的模型，将目标导向通信和网络控制相结合，以实现分散的移动机器人的协调，通过联合训练可以显着提高总体性能并可导致通信行动的隐式协调。

Feb, 2023

基于远程无线控制和5G及更高级别系统，本研究研究了优化传输策略以实现有效沟通的方法，提出了采用集合向量量化变分自编码器进行编码，并训练深度强化学习代理动态调整量化水平，通过在基准控制问题上的测试显示其具有显著的性能提升。

Jan, 2024

多智能体在物理系统内进行协作或对抗性游戏，通过探讨其性质、建立算法模型和评估结果，研究了协作和对抗版本的迭代布尔游戏，验证了提出的模型的有效性，并提出了继续发展我们对于物理系统的理解以及如何设计在这样的环境中操作的智能体所需要的研究方向。

Jul, 2024