- 在动态知识图谱中实现基于 SPIN 的描述时态动态算法的策略
计划和推理是最近逻辑和计算机科学研究中的重要问题，本研究提出了一种将行为嵌入到描述逻辑（DL）中的框架，用于表示和推理行为，并提出了一种算法来处理行动的各种情况。
- AAAI关于代理人目标、偏好和行为的神经推理
提出了直觉推理网络（IRENE）—— 一种新颖的神经模型，用于关于代理人目标、偏好和行为的直观心理推理，能够将以往的经验推广到新的情境。IRENE 将图神经网络和变形金刚网络相结合，对学习代理人和世界状态进行表示，并在任务环境中编码。在具有 - GenHowTo: 从教学视频中学习生成动作和状态转换
生成具有时间一致性和物理可行性的行为和物体状态转换的图像，利用视频数据集和条件扩散模型 GenHowTo，在各种对象和动作上展示出优秀的性能。
- 分析体育评论以自动识别事件并提取观点
我们研究了如何使用多种自然语言处理技术和方法自动识别体育赛事中的主要动作，并通过分析来自不同来源的现场体育评论以及将这些主要动作分类来提取洞察。我们还研究了情感分析是否能够帮助检测这些主要动作。
- ICLR倒行逆施前行：基于行动影响的嵌入在行动语义之上
通过使用潜在嵌入来即时建模行为的影响，在行为自适应策略（AAP）中设计了一种新的基于 Transformer 的策略头，该策略被用于两个具有挑战性的视觉导航任务中，即使在推理时缺少行为和先前未见过的扰动行为空间时，也表现出很高的性能和鲁棒性 - 行动前先思考：将语言推理与行动交错的统一策略
提出了一种将 Transformer 模型与强化学习相结合，并在 BabyAI 任务上表现出色的新方法，其中模型输出既包含动作，也包含文本描述。
- COLINGCOMMA: 基于语言的人类活动中动机、情感和行为之间的关系建模
该研究提出了一个名为 COMMA 的认知人类活动框架，对于基于语言的人类活动中的动机、情绪和动作进行了建模，通过定义情绪理解、动机理解和有条件的动作生成三个自然语言处理任务，并通过自动从 Story Commonsense 中提取样本构建了 - 关于视觉和语言模态下的行动推理：一项综述
本文综述了在视觉和语言领域中，关于 “行动与变化推理” 的先前研究任务、基准数据集、各种技术和模型以及它们的表现。最后，我们总结了我们的主要收获，讨论了当前这个研究领域面临的挑战，并概述了未来研究的潜在方向。
- 利用探索性规划进行自主学习动作模型
本文提出了一种新型的探索计划代理，它能够在没有专家跟踪或给定目标的情况下学习行动先决条件和效果，优化探索和行动模型学习，运用新的表示为 Lifted Linked Clauses 和一种新颖的探索行动选择方法，并在探索为中心的视频游戏场景中 - IJCAI关于一致和冲突价值观
该篇短文提出了价值观可以分为冲突和固有冲突两类，前者取决于行动，后者则可看作行动之外的东西，从而可以检查一组价值观是否一致或与其他组的价值观相冲突。
- 视觉语义角色标记
本文介绍了视觉语义角色标注的问题，即在给定图像的情况下，我们希望检测人们进行的动作并定位交互对象，为了实现这个目标，我们注释了一组数据集，并提供了一组基准算法来解决这个问题，并分析了错误模式，为未来的工作提供了方向。
- 确定性 POMDP 再探
研究了一个 POMDP 子类 —— 确定性 POMDP，它具有确定性动作和观测，能够捕捉许多有趣和具有挑战性的问题，并允许更有效的算法，同时提供了与 AND/OR 搜索问题和算法的基本属性以及它们的计算复杂性的结果。
- 利用自组织的动态神经系统学习世界模型和规划
介绍了一种基于 Hebbian 思想的连接主义架构，该架构可以学习感知和动作之间的关系模型，并将该模型用于行为规划。