- 时空变系数偏微分方程参数辨识
提出了一个用于多状态系统的参数识别的新框架，由受限的自适应物理线索神经网络和有限混合模型方法组成，可以精确确定复杂多状态系统的未知变化参数，从而完成了不同空间和时间参数的反演。
- 基于热扩散动力学的图分类演化核方法
本文提出了一种基于物理学的热核和 DropNode 技术生成时间图增量的方法，用于描述系统的演变行为；同时，还提出了 GDTW 动态时间包裹距离的方法，用于量化演化系统之间的距离，结果在真实世界的结构图数据集上的分类问题中，通过演化核方法获 - 从带扰动的时序数据推断动态调控交互图
本文提出了一种 Regulatory Temporal Interaction Network Inference (RiTINI)，它使用空间和时间图关注机制以及图神经 ODE，通过利用图形先验上的时间延迟信号和各个节点的信号扰动来推断复 - 重正化图神经网络
该论文提出了一种新的方法，即将重整化群理论应用于设计一种新颖的图重连策略，以提高图神经网络在图形相关任务上的性能，结果表明这种方法的有效性和其挖掘各种系统固有复杂性潜力的能力。
- 拓扑深度学习架构：拓扑神经网络综述
Topological Deep Learning 解决复杂系统数据处理与知识提取的框架，但目前 Topological Neural Network 研究缺乏统一的符号和语言。本文提供对 TDL 可访问的介绍，并使用统一数学和图形符号比较 - 科学问题：与 ChatGPT 聊天探讨复杂系统
本研究概述了聊天机器人 ChatGPT 在复杂系统领域中的应用，它可以通过学习互联网文本的语言模式和风格来反映社区中常见的观点、想法和语言模式，涵盖了教学和学习以及研究课题。我们确认 ChatGPT 可以成为社区思想的重要来源。
- 回顾状态：将模拟和真实任务要素融合以实现高效强化学习
通过把任务分解成不同的部分并利用动态的不平衡性，使用 “Hindsight States” 方法使得机器人学习更加高效。在多项挑战性仿真测试和一个真正的机器人示例中验证了该方法的有效性。
- 反思性人工智能
本文旨在探讨反思式 AI 的概念，并提出了一种基于反思概念的 AI 代理架构，以及相关的前行方向。
- 自回归 GNN-ODE GRU 模型用于网络动态
本文介绍了一种基于自回归 GNN-ODE GRU 模型（AGOG）的方法，通过对复杂系统连续动态过程的建模和预测实现了任意时间节点状态的数据驱动预测，展示了在插值重建、外推预测和正常序列预测等三个任务中的精度表现。
- 基于关系的宏观状态理论指导人工智能学习宏观及设计微观
提出了一个新的关系性宏观状态理论（RMT），并开发了一个机器学习架构 MacroNet，该电子框架可用于简单到复杂系统中的宏观状态的识别和设计微观状态。
- 因果耦合机制：一种复杂系统合作与竞争控制方法
该研究提出一种新的控制方法 —— 因果耦合机制，它将复杂系统分解成多个模块化结构，利用层次化强化学习理论中的高级策略来控制复杂系统，并结合了级联控制模块和前向耦合推理模块来帮助分解和合并，在合成系统和生物调节系统上实现了最先进的控制结果，并 - KDD基于事件日志分析的故障检测与预测特征选取
该研究提出了一种基于日志的异常检测和预测的特征选择方法，以提高对复杂系统下子系统级别上的异常检测效率和准确性。
- MM信仰的动态：对复杂系统的连续监测和可视化
本研究考虑了人工智能在复杂人类环境中透明和可解释性的问题，提出了一种基于模式和信念函数的理论框架，并通过高维几何空间的可视化来解释系统行为。
- 复杂系统分类的方法：文字、文本等
通过物理学类比，定义了基于温度、化学势、熵等参数的文本分类，提出在语言学类比的基础上，研究基因组的方法，同时讨论了熵作为文本分类参数的作用和意义。
- 感觉神经元作为转换器：置换不变神经网络用于强化学习
基于神经网络和注意机制的复杂系统信息整合研究和探索。
- IJCAI第四届智能模拟和建模复杂系统国际研讨会
利用计算机模型和模拟技术，对涉及物理、天文、化学、生物、经济、工程和社会科学等领域中的复杂系统进行分析，在传统计算方法难以应对的复杂环境、关系和动态性问题中，多智能体系统具有很强的优势和潜力。
- MM人工智能与协作
通过在 “人工智能和合作” 领域的研究，我们需要理解人工智能系统和人工智能系统与人类合作的方式，以及如何建立人工智能系统的信任，以实现人工智能与人类社会的合作，创造价值。
- 通过学习其有效动力学实现复杂系统的多尺度模拟
我们提出了一种通过使用深度学习自编码器模型，将大规模模拟和降阶模型结合起来，以有效地预测各种复杂系统的动态特性的算法，该算法在验证中显示出可行性，并可降低两个数量级的计算成本。
- 复杂系统表示法的为什么、如何和何时
本文基于领域非特定的语言，评估了复杂系统分析流程的每个步骤，包括系统和数据的收集、数学形式主义的不同用途和与其相关的计算方法，讨论了依赖性如何产生及其如何改变结果解释或整个分析流程，并通过两个真实世界的例子说明了研究问题、所选数学表示形式和 - 超越两两交互的网络：结构和动态
本文总结了一个新兴领域 —— 除了成双成对的相互作用的网络。本文介绍了表示高阶相互作用的方法，并重点讨论了高阶动力系统和动态拓扑的快速增长的研究，并集中讨论了传播、同步和游戏等的新兴现象，当这些波及的节点多于两个时，阐明了高阶拓扑与动态属性