通过使用 AI-based supervisor agent，我们提出了一种框架，可以并行地编排预训练的 agent，该框架通过为 MARL 代理分配最佳目标并激励它们展示特定的期望行为来实现。在网络仿真器上的结果显示，与基于规则的方法相比，所提出的方法在更快和更好地实现期望的同时，甚至推广到环境变化。

Oct, 2023

该论文介绍了一种基于多智能体强化学习技术的意图管理方法，通过优化重要 KPI 并协调各个闭环实现多个意图同时满足，实验结果表明该方法在实现意图和优化 KPI 方面表现良好。

Aug, 2022

该研究提出了一种交互式多模态融合技术，可在保留各自模态特征的同时，更好地融合来自不同模态的知识，以实现更好的链接预测效果，并在多个真实世界数据集上进行了实证评估。

Mar, 2023

本文提出了一个自适应图交互框架（AGIF）用于联合多个意图检测和填充，其中介绍了一种意图 - 词槽图交互层来模拟词槽和意图之间的强相关性。在三个多意图数据集上的实验结果表明，我们的框架获得了实质性的改进并实现了最新的性能。另外，我们的框架在两个单意图数据集上实现了新的最新性能表现。

Apr, 2020

利用效用函数方法，通过分配医院资源、提供更好的容量分配和病例组合，解决了医院混合病例规划中的技术限制、弱点和缺陷，并提供了重要的指导和见解。

Jul, 2023

本文探讨了当存在独立的多维目标且无法互相归约时，将目标形式化地表示为绝对数学函数所面临的困难性，并提出了使用不确定性目标作为一种替代方案。我们证明了，将已知的某些不可能定理转化为两种设置下的不确定定理，并证明了这些不可能结果所蕴含的不确定度的下限。最后，我们提出了两个关于不确定目标与人工智能系统的严重意外后果之间关系的猜想。

Dec, 2018

本文提出了一个最大互信息（MMI）框架，用于多智能体强化学习，通过在行动之间的互信息上采取正则化累积回报，使多个智能体学习协调行为。通过引入潜在变量来诱导非零互信息，并应用变分界，我们推导了所考虑的 MMI - 正则化目标函数的可处理下界。将策略迭代应用于最大化所得到的下界，我们提出了一个名为变分最大互信息多智能体演员 - 评论家（VM3-AC）的实用算法，它遵循中央化学习与分散执行（CTDE）的方法。我们在几个需要协调的游戏中评估了 VM3-AC，并且数值结果表明 VM3-AC 在需要协调的多智能体任务中优于 MADDPG 和其他 MARL 算法。

Jun, 2020

基于意图的网络管理通过使用人工智能驱动的策略来满足和保证意图，帮助实现网络管理与业务目标的自动化对齐。

Feb, 2024

本文研究了在应用人工智能并应用于共享环境中，设计机构机制以体现社会福利的重要性。我们提出了一种基于元梯度方法的自适应激励设计算法，该算法通过在线交叉验证原则显式考虑其对代理学习的影响，并通过它们对未来社会福利的影响进行优化系统目标

Dec, 2021

为了有效表达和满足网络应用的需求，我们提出了一种基于人工智能的框架，用于意图识别和翻译。该框架基于新兴通信实现意图识别，应用通过通信消息表达他们的抽象化用户体验意图，网络学习如何解释这些通信消息并映射到网络能力，从而保证所需的服务质量。模拟结果显示，该方法胜过自学习分片方法和其他基准方法，接近完美知识基准。

Feb, 2024