- 使用先验知识进行多目标参数优化的高效效用函数学习
本研究提出了一种基于偏好学习方法的离线学习效用函数的优化算法，不仅可以使用关于结果的偏好，还可以使用效用函数空间的粗略信息，尤其在使用很少的结果时有助于提高效用函数的估计精度，并且可以结合模型来考虑效用函数学习任务中发生的不确定性。
- 利用积极征询专家知识增强的贝叶斯优化
本文介绍了一种基于贝叶斯优化的多任务学习方法，其中引入了专家知识进行加速优化，并通过 Siamese 神经网络进行知识收集，实验结果表明，该方法可以显著加速优化过程。
- 培养新手：人工智能协作和知识传递的作用
本文旨在提出一个基于人工智能（AI）与人类的协同学习模型，以有效培训新手完成由专家完成的任务，从而保留专家知识和传授给新手，解决专家流失、培训时间和成本高昂的问题。
- 记忆分类器：机器学习中的鲁棒性双阶段分类
本研究提出了一种新的分类方法，称为 Memory Classifiers，通过结合高级数据结构和专家知识，识别出典型数据点，再在每个类别中学习细分特征的本地分类器，以提高机器学习模型的鲁棒性和泛化能力，实验证明，该方法可超越标准数据增强技术 - 领域特定约束模式下易用、易适应和高质量的建模
本研究引入特定领域的约束模式，类似于软件工程中的设计模式，以描述约束编程中的共同问题，并包含示例实现。通过选择适用于特定问题的模式，将模型组合起来，从而大大简化了建模过程，使模型容易适应。通过特定于领域的模式，我们还可以将问题特定的建模思想 - 前馈神经网络的因果发现和注入
本文通过向前馈神经网络注入潜在的因果关系，以保证神经网络模型符合专家知识，从而提高模型在发现因果关系和预测性能方面的鲁棒性和精度。
- 基于因果优先视角的功能分解树及其在材料信息学问题中的系统描述
该研究提出了一种基于因果优先视角的功能分解表示方法来解决初学者构建功能分解树遇到的问题，并开发了一种程序，自动转换因果优先分解树的特征，以展示材料信息学中专家知识的系统表示及其有用性。
- 基于规则引导的平面格变换器的端到端中文文本规范化模型
提出了一种中文文本归一化模型，将规则中的专家知识融合到神经网络中，从而提高了性能。同时，公开了一份中文文本归一化的大规模数据集。
- 战略场所罕见事件预测的基于案例推理方法
本研究提出了一种基于案例推理的方法，能够自动预测军事战略站点上的罕见事件，通过实验证明了该方法在军事防御方面的强大潜力。
- LayoutEnhancer: 从不完整数据中生成优秀的室内布局
提出一种室内布局综合方法，该方法结合了领域专家的知识，如人体工程学等，以及基于 Transformer 架构的数据驱动生成器。通过使用从专家知识中获得的可微标量函数，生成的布局可以被偏置以显示所需的属性，即使这些属性不在数据集中存在。该方法 - 将图神经网络与专家知识相结合，用于智能合约漏洞检测
使用图神经网络和专家知识探索智能合约漏洞检测，通过将源代码的控制和数据流语义转换为合同图，然后结合深度神经网络和专家模式检测三种漏洞（再入、时间戳依赖和无限循环漏洞），在以太坊和 VNT Chain 平台上取得了显着的精度提高。
- ICLR使用能力问题来选择最优的住宅能源消费模式聚类结构
本文介绍了如何使用能力问题来规范专家知识和应用需求，以在住宅能源消费领域对聚类应用进行上下文特定评估。
- 通过可微归纳逻辑程序设计将关系背景知识纳入强化学习
本文提出了一种基于可微分归纳逻辑编程的深度关系强化学习算法，可以从图像中有效地学习关系信息并将环境的状态呈现为一阶逻辑谓词，同时可以将专家背景知识并入学习问题中，展示了该框架在 BoxWorld、GridWorld 以及 Sort-of-C - K-BERT：利用知识图谱实现语言表示
提出了一种基于知识图谱的语言表示模型（K-BERT），可以将领域特定的知识注入到模型中，以用于解决需要专家知识的领域特定问题，实验证明其在 12 个 NLP 任务中有很好的表现。
- 基于知识的网络表格对话语义解析
本文提出一种知识感知型的语义解析模型，通过整合不同类型的知识，包括语法知识、专家知识和外部资源知识，提高了对表格的对话语义解析性能。实验结果表明，该模型优于现有最先进的方法，还证明了各种知识的有效性。
- 使用贝叶斯优化调整事件生成器
使用 Bayes 优化和最少的专业物理知识可以精确地获得 Monte Carlo 事件生成器的参数。将这种方法与专家知识相结合，有助于更快、更容易地研究 Monte Carlo 与实验数据之间的差异。
- ICML通过锚定相关性解释实现可解释的主题发现
使用模糊和非正式的专家知识指导文本中解释性潜在主题的发现，结合了信息瓶颈和总相关性解释方法，对 Anchored CorEx 进行了初步评估，并在两个不同的语料库上产生了更连贯和可解释的主题。
- ICML通过专家知识引导的 n->1 回归
针对极小的 $n$ 大 $p$ 条件，我们考虑回归问题，其中样本数量 $n$ 相对于维度 $p$ 很小，且不能在没有先前知识的情况下预测特征。 我们提出了一个简单的小 $n$ 环境下的证据策略，并推导出策略最优的条件，我们在模拟专家的实验中