- 联邦学习健康应用的安全可信网络架构
TRUSTroke 项目介绍了一种基于 Federated Learning 的网络基础架构，用于在医疗场景中辅助卒中预测，并分析了不同通信协议对网络操作的影响，最终提出了一种安全性架构，以提高信任水平。
- 概念最佳匹配：评估新兴沟通中的组合性
通过找出新出现的词和自然语言概念之间的最佳匹配，我们提出了一种评估新兴的通信的组成性的方法，这是第一次提供新出现词和人类概念之间直接可解释的映射。
- 面向 NextG 协议形式验证的自动建模：一种多模态的跨向与自标注意力大语言模型方法
利用 Auto-modeling of Formal Verification with Real-world Prompting for 5G and NextG protocols (AVRE) 系统，通过 Large Language - 多智能体强化学习的上下文感知通信
开发名为 CACOM 的上下文感知通信协议，通过多个阶段的粗略表示交换和注意机制，为多智能体强化学习提供了个性化的通信方案，采用学习的步长量化技术以减少通信开销，并在合作基准任务上实验结果证明 CACOM 在通信受限场景下提供了明显的性能提 - NIPS连续环境下新兴通讯的归纳偏差
研究多智能体强化学习中新兴通信的交流方式，利用归纳偏差对连续信息的出现做出新增， 然后分别对离散和连续信息的增强学习或结合运用归纳偏差对两个娃玩具环境下的协商和序列猜测过程中所学到的通信协议进行演示，并表明这种学习方法可以对通信协议的学习产 - 从第一原理设计智能生态系统
该研究报告提出了未来十年（甚至更长时间）人工智能领域的视野，通过主动推理实现智能系统的自我感知和共享感知，从而带来了共享智能和集体智能的新生态，该生态需要建立通信协议和共享空间建模语言。
- 在 NVIDIA 网络接口卡中实现强化学习的数据中心拥塞控制
使用强化学习算法，将复杂的神经网络转化为决策树的形式，从而实现计算器能力有限的网络设备上的实时拥塞控制，与生产中使用的拥塞控制算法相比具有更好的性能。
- ACL使用内在动机的组合新兴协议进行零样本泛化
本研究旨在使用好奇心作为反馈机制，诱导一种系统性和明确的语言协议，展示如何利用组合性不仅能让人工智能代理与未见过的对象交互，而且能在零样本场景下从一项任务中转移技能到另一项任务中。
- 可解释的自主机器人：一项调查与展望
该研究论文探讨自主机器人技术中关于 “可解释性” 的研究进展与定义，进而进行相关领域的研究概述，并提出需要深入研究的关键主题。
- 优化 MAC 信令与无线信道访问的联合学习
本文旨在探讨单元设备与基站之间交换数据前需传递信令消息的通信协议，提出了利用多智能体强化学习和学习通信技术以取代人工设计标准的方法，并测试了多智能体强化学习和学习通信技术在移动通信领域的应用效果。
- EMNLP语言产生的内部和外部压力：最小化努力、对象恒常性和频率
本文提出几种对人工代理人进行沟通的现实压力，经过广泛的分析表明，这种压力导致出现了具有较少冗余，更多关注于高级概念信息和更好的泛化能力的新兴语言，从而缩小了新兴语言和自然语言之间的差距。
- 多智能体强化学习中涌现交流的偏差
我们研究紧急通信的问题，其中语言的产生是因为说话者和听话者必须相互交流信息以解决任务。我们引入了正向信号和正向听取的归纳偏差来解决此问题，并在简单的单步环境中演示了这些偏差如何缓解学习问题，并将我们的方法应用于更广泛的环境中，表明具有这些归 - 新兴通讯的易教性和语言结构
人工智能代理器被证明在完成合作任务时可以学习交流，发现在学习的通信协议中存在某种语言结构（例如组合性），这种结构通常是训练过程中特定环境压力的结果。通过定期引入新的代理器来替换旧的，我们探索了一种新的压力 —— 教学的便捷性，并展示了其对结 - 在有限通信条件下维持分布式学习和优化的线性收敛性
研究分布式优化和机器学习中如何通过压缩信息和设计通信协议来降低通信时间并保持算法收敛性的方法和框架。
- SparCML：用于机器学习的高性能稀疏通信
运用稀疏输入数据设计通信协议，使得机器学习与 MPI 协议衔接，从而实现高可扩展性。
- EMNLP多智体对话中自然语言并非 ' 自然 ' 出现
通过 “任务 & 告诉” 游戏，本文证明了虽然大多数机器发明的语言是有效的，但它们并不可解释或复合。由此发现自然语言并不会自然产生，为了达到人类一样的语言理解，需要增加通信的限制。
- 深度多智能体强化学习中的通信学习
本研究基于深度神经网络，提出两种学习策略（RIAL 和 DIAL），探究在多智能体感知与互动的环境下，通过学习通信协议最大化共享效益的问题。研究表明通过这种中心化学习、分散式执行的方法能够在通信难题和多智能体计算机视觉问题领域中实现端到端的 - 使用深度分布式递归 Q 网络学习通信以解决谜题
提出深度分布式循环 Q 网络（DDRQN），使用強化学习训练多智能体自主学习协作中的沟通协议，实现自行决定并达成一致的沟通协议来解决协作问题，成功地建立一个漂亮且有效的沟通协议是其突出贡献。
- MM射频能量收集的无线网络：现代综述
本文对无线网络中的射频能量收获网络（RF-EHNs）进行广泛的文献综述，并包括系统架构、射频能量收获技术、电路设计以及专门为 RF-EHNs 设计的通信协议等关键设计问题。
- 量子状态的可学习性
利用计算学习理论，本文证明：对于大多数实际目的，传统的量子态重构只需测量数量呈线性增长关系，而非指数函数关系；同时，该定理可应用于量子计算的模拟和验证领域。