该研究为分布式系统中知识的形式化和推理提供了一个通用框架。它介绍了处理分布式知识状态的概念，包括分布式知识和常见知识，并阐明了常见知识与分布式系统中多种理想行为之间的关系。它还介绍和研究了许多有趣情况下可达到的常见知识的弱化变种。

Jun, 2000

通过共享学习来优化维护操作中汇集数据的好处，并通过将高维马尔可夫决策过程分解为二维马尔可夫决策过程，展示了汇集数据可以实现显著的成本降低。

Aug, 2023

人工智能的崛起已经在许多行业中引发了革命性的变革，其广泛应用导致了 AI 和其底层数据在许多智能系统中的分布。本文针对分布式学习中的私有知识共享提供了一项深入调查，检验了在主要的分布式学习架构中使用的各种知识组件。通过分析，我们揭示了在分布式环境中使用这些组件时可能出现的最关键的安全漏洞。我们进一步确定和研究了保护这些知识组件隐私和防止恶意方干预或访问知识信息的防御策略。最后，我们强调了分布式学习中知识共享的一些关键限制，并探索了未来研究的潜在途径。

Feb, 2024

本篇研究讨论信息聚合问题，即在联邦决策中，一组代理协作推断自然状态而不与中心处理器或其他代理共享其私有数据。我们分析了非贝叶斯社会学习策略，其中代理将他们的个体观察结果纳入他们的观点中，中心处理器通过算术或几何平均来聚合这些观点。通过我们以前的工作，我们建立了两个聚合策略的渐进正态性的特征，并通过模拟验证了理论结果，并比较了两个策略。

Mar, 2023

研究了一些标准的池化操作符，发现只有嵌入是高维的且满足特定约束条件时（如具有非负坐标），这些池化操作符才能满足知识论汇聚原则。当知识论汇聚原则得到满足时，大多数情况下无法使用线性评分函数验证命题公式的满足性，但是使用嵌入上限的 max-pooling 和非负嵌入的 Hadamard pooling 可以验证。最终，对加权知识态的知识论汇聚原则进行了扩展，发现 max-pooling 是最合适的运算符。

Oct, 2022

本文倡议使用分层逻辑理论来表示概率模型，得出这种编码比现有框架如马尔科夫逻辑网络获得的编码更易于解释的结论。它允许使用领域专家通过直接修改逻辑公式来改善学习的模型。

Nov, 2016

本文分析了知识库范式在交互式配置问题中的原则和可行性，并表明在形式化配置领域的规范化说明上应用不同形式的逻辑推理，可以实现该领域的多种功能。通过在银行业的实际应用实现了该方法的概念验证。

May, 2016

本文提出了第一个将程序性知识或 “技能” 集成到 Linked Data Cloud 中的框架，通过将通用技能表示为 Linked Data 和自动获取 Web 上现有资源的表示，自动生成不同知识资源之间和其他在线知识库（例如 DBpedia）之间的链接，并展示了该框架在实际场景中的应用结果及如何优于现有的基于社区驱动的手动融合工作。

Apr, 2016

本文从数据、模型、学习三个维度，全面回顾了 13 年来 AI 社区在众包学习领域的进展，着重提出了每个维度的一些有前途的蓝图，并探讨了过去研究的经验教训，旨在为新研究者提供指引，鼓励他们做出新的贡献。

Jun, 2022

图结构数据中对不确定性进行量化，特别是对（半监督）节点分类中的预测不确定性进行量化的问题已被解决。我们提出了一种新的方法，通过利用图拓扑提供的结构信息，用狄利克雷分布的混合物表示（认识论）不确定性，并引用线性观点汇聚的已建立原理，在邻居节点之间传播信息。我们通过一系列实验在各种图结构数据集上展示了这种方法的有效性。

Jun, 2024