- 使用费舍尔信息界定保护隐私的实例编码的可逆性
本文提出了一种理论上合理的基于 Fisher 信息的个体编码隐私度量方法，并通过理论和经验证明了该方法可以简单应用来限制编码的可逆性，为底层的 ML 应用程序提供有限的隐私风险。
- 将蒙特卡洛树搜索和启发式搜索结合用于权重顶点着色
本文研究了蒙特卡罗树搜索方法与专门的启发式方法相结合来解决带权顶点着色问题，并对基本的 MCTS 算法进行了扩展。我们实验了几个方案，包括贪心和本地搜索启发式策略，并在熟知的基准实例上评估了这些方案，提供了实证证据来说明每个模拟策略的优缺点 - 在线学习用于调度 MIP 启发式算法
本文提出了一种在线学习方法，用于优化 Mixed Integer Programming (MIP) 中的启发式算法，以适应于不同的实例，并将大邻域搜索和 Diving 两类复杂启发式方法同时控制，实现 MIPLIB 2017 基准测试的节 - 基于启发式搜索的物理问题求解方法：PDDL + 中的愤怒的小鸟
本文研究了如何使用领域无关的规划器和组合搜索来玩《愤怒的小鸟》，使用了 PDDL + 进行了建模，并提出了多个领域特定的增强措施，包括启发式和类似首选操作员的搜索技术，研究对比表明我们的方法在大多数水平上与定制的特定领域解算器的表现相当，即 - 车辆路径问题的启发式方法：综述与最新进展
本文系统调查了现有的车辆路径启发式方法，着重于近年来的研究；首先给出了车辆路由启发式算法的分类，随后回顾了它们的方法、最新发展和应用；此外，提出了最先进方法的一般框架，并深入探讨了其成功的内部机制；最后，讨论了具有显着作用和未来方向的三个新 - MM测试自旋玻璃基态的深度强化学习启发式算法：更大的全局视角
该论文提出了一种基于增强学习的深度学习方法来增强组合优化启发式的能力，并在多个自旋玻璃基态问题中进行了实验，展示了该方法相对于其它启发式方法的优越性。
- 图神经网络启发式方法未能超越贪心算法在解决组合优化问题上的能力
通过提高算法的广泛发展和数值结果的改进，反驳了一篇评论的初始性能声明，并强调了物理启发式的图神经网络在稠密实例上特别是在硬实例上优于贪婪算法的能力，同时也指出了图神经网络在真实社交网络规模上的可扩展性潜力比极端优化等现有启发式方法更具优势。
- 使用对比学习技术在大邻域内搜索整数线性规划问题
本文介绍了一种新的算法 CL-LNS，通过使用正负样本集合学习一个次优解算法并使用图注意力网络和更丰富的特征进一步提高解决 LP 问题的性能。
- 使用有界次优图形转换器加速多智体规划
该论文提出了一种名为 Graph Transformer 的学习组件，作为加速规划的启发式函数，证明了其完备性和有限次最优性，同时经实验证明，在相对少的代理问题实例中训练的 Graph Transformer 可以很好地推广到更多代理的问题 - AAAI离散动力系统中的非平凡最小不动点发现
研究了网络离散动态系统中固定点对应的最小节点数优化问题，对于一些特殊情况提出了有效的解法，并采用启发式框架和贪心方法处理较大规模的网络并得出了实验结果。
- 通过三种启发式方法的混合来解决十五数码问题
本文利用 Bidirectional A * 算法及三种启发式算法（曼哈顿距离、线性位差和行走距离）解决了 Fifteen Puzzle 问题，并将这三种启发式算法混合运用，有效减少了算法生成状态数和扩展节点数，大大降低了空间复杂度，保证了 - AAAI标签损失：通过直接损失构建进行弱监督学习
本文提出一种基于 (heuristics) 启发式规则构造损失函数 (loss functions) 的弱监督学习 (weak supervision) 方法，命名为 'Losses over Labels (LoL)'，可以更多地利用启发 - 多智能体路径规划的启发式编译
本文介绍了如何在 SAT 求解器中构建带有领域特定启发式信息的 MAPF 编码，并选择每个 agent 的备选路径来构建编码，实验结果表明这种启发式的 MAPF 求解器优于普通的 SAT 求解器。
- 人类通过权衡效用和计算成本来分解任务
提出了一种规范性的任务分解框架，发现人类的任务分解行为更符合这个框架且最符合一个被证明是合理的启发式 —— 介数中心性。
- 配方生成的 FOON 创造和遍历
通过使用功能对象导向网络（FOON）来解释信息以完成任务，可以帮助机器人进行任务竞争，网络中的几种方法包括迭代深化搜索或启发式方法，可以遍历网络并确定完成任务所需的步骤。
- MM强化学习在定向控制器合成中的扩展应用
本研究提出使用强化学习基于状态特征学习启发式启发式方法且优化了 Deep Q-Network，以用于解决离散事件系统中的无阻塞属性，实现在小规模问题上的学习推广到更大规模问题实例，结果表明其效果更好。
- MM图神经网络启发式算法无法在解决如 Max-Cut 等组合优化问题中超越贪婪算法
Schuetz 等人提出了一种使用图神经网络作为启发式方法来解决各种组合优化问题的方案，该方法通过样例实例对网络进行训练，并应用广泛使用的技术来评估其成功的能力，尽管报告的结果只比梯度下降略有改善，但该方法承诺具有高度可伸缩性和计算成本线性 - AAAIBIASeD: 将非理性引入自动化系统设计
本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差，在人机协作中扮演更加重要的角色，并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域，并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。
- 在答案集规划中指定和利用非单调领域特定的声明性启发式
本研究提出一种新的语法和语义，声明性地说明 ASP 中具有领域特定的启发式方法，这些启发式方法直接依赖于维护的部分分配，实现了懒惰打地基即 ASP 的第一个系统支持领域特定的声明性启发式，通过在两个实际示例领域上应用我们的方法，以及使用我们 - ImitAL: 在合成数据上学习的主动学习策略
本文介绍了一种领域无关的主动学习（Active Learning）查询策略 ImitAL，使用学习排序（Learning-to-rank）方法编码 AL，通过大规模模拟运行在纯合成数据集上进行训练，成功地通过与其他 7 种查询策略在 13