本研究设计、实施、并评估了Maestro，一个有效的开源、以游戏为基础的平台，为促进强大的AI教育做出了贡献。Maestro提供了基于目标的场景，让大学生在竞争性编程环境中面对挑战性的仿生作业。根据研究结果，学生感觉在强大的AI应用中获得了新技能，往往对Maestro评价很高，并在强大的AI应用的素材巩固，好奇心和掌握方面得分很高。

Jun, 2023

评估网络安全Capture-The-Flag（CTF）练习中使用大型语言模型（LLMs）的能力，并探讨它对课堂教学、CTF挑战的影响以及相关的学术诚信问题。

Aug, 2023

我们提出了一种使用机器学习和游戏化技术的意识系统，用于教育人们有关投资诈骗和陷阱的知识，旨在通过主动学习教育投资者来降低各国间的不平等，帮助监管机构确保一个公平、高效和包容的资本市场环境。

Aug, 2023

研究AI在编程马拉松中的影响，通过对爱荷华大学2023活动的案例研究分析了学生在技术选择方面的决定，并探讨了AI在编程马拉松中的角色、教育意义和未来整合方面的道路图。

Jan, 2024

当前面临前所未有的网络战争，以战术的快速演变、情报的不对称性增加和黑客工具的日益可获得化为特点。在这一背景下，网络欺骗作为我们防御策略中的关键组成部分应运而生，本章旨在强调博弈论模型和基础模型（FM）在分析、设计和实施网络欺骗策略中的至关重要作用。博弈模型为建模各种对抗性互动提供了基础框架，使我们能够将对抗知识和领域专业知识融合于一体。与此同时，基础模型作为创建适用于特定应用程序的定制机器学习模型的构建块。通过充分利用博弈模型和基础模型之间的协同作用，我们可以通过不仅保护网络免受攻击，而且增强其对精心计划的行动的韧性，推动主动和自动化的网络防御机制。本章讨论了战争的战术、作战和战略层面上的博弈，并深入探讨了这些方法之间的共生关系以及相关应用，这种框架在网络安全领域可以产生重大影响。该章还讨论了多智能体神经符号假设学习（MANSCOL）的前景方向，使防御者能够预测对抗行为、设计适应性的防御性欺骗策略，并为操作级合成和适应性综合的知识进行综合。基础模型在MANSCOL的各个功能中起着关键的作用，包括强化学习、知识同化、假设形成和上下文表示。本章最后讨论了基础模型在网络安全领域的应用所面临的挑战。

Mar, 2024

本研究介绍了SecurityBot，一种由事先训练好的RL智能引导的LLM智能体，用于支持网络安全操作，在提供行为准则的基础上使用协作机制和动态建议，实现了与LLM或RL单独相比显著的性能提升。

Mar, 2024

提出了一种基于游戏的端到端学习和测试框架，通过学习人类驾驶技能，利用 Grand Theft Auto V (GTA V) 游戏中的图像预测车辆的操控值，以实现高速公路驾驶的自主车辆。

Apr, 2024

本研究探讨了传统网络安全意识培训计划的局限性，并提出了一种创新解决方案，使用生成型预训练转换器 (GPT) 来解决这些问题。该研究将 GPT 模型与自然语言处理能力相结合，根据个体培训者的个人资料个性化定制培训模块，从而提供高度个性化和动态的网络安全学习体验。通过使用 GPT 模型提供实时和自适应的网络安全意识培训内容，实验证明了与传统计划相比，在引发兴趣、动态性和相关性等方面都取得了显著改善。GPT 强化的网络安全意识培训计划为提升网络安全意识提供了可扩展且有效的解决方案，为个体在组织内的特定角色中更好地应对网络安全风险提供了个性化的培训内容。

May, 2024

本研究旨在解决操作技术网络安全防御强化学习代理训练中的数据效率问题。通过引入课程学习和行为掩蔽技术，本文在最困难的测试环境中实现了显著性能提升，表明这些方法可以有效应对复杂的网络安全威胁，并在较少的时间步长内达到更高的回报水平。

Sep, 2024

本研究解决了传统渗透测试方法耗时、资源密集且易出错的问题。提出的MEGA-PT框架通过微观战术游戏和宏观战略过程，实现了分布式、适应性强且快速的渗透测试。实验结果表明，该模型能有效提升防御策略并适应网络变化，具有重要的影响潜力。

Sep, 2024