人类与疾病的斗争持续，新药研发历程丰富。从吗啡到阿司匹林，药物合成技术不断进步。21世纪，AI技术推动药物发现，Cellarity与英伟达提出的MOLRL方法在靶向分子优化中表现优异，提高了研发效率。

本研究提出了一种新型强化学习方法，旨在提升大规模语言模型在复杂推理任务中的训练效果。通过合成试错数据和增加样本多样性，T1模型在数学推理基准测试中表现出色，展现了推理扩展能力。研究表明，增加推理预算能显著提高模型性能。

本研究解决了深度强化学习中决策过程难以理解和信任的问题，尤其是在高风险应用中的可解释性不足。通过引入Shapley值，提出了一种新颖的模型无关的方法，将复杂的深度RL策略转化为透明的表示，显著提高了可解释性。研究结果表明，该方法不仅保持了原始模型的性能，还产生了更稳定的可解释策略。

本研究提出了新工具AutoRestTest，旨在解决REST API测试工具代码覆盖率低的问题。通过整合语义操作依赖图、多智能体强化学习和大型语言模型，AutoRestTest能够有效识别操作依赖参数，从而提升故障检测和测试效率。

本研究提出了Proj-IQL算法，解决了离线强化学习中的外推误差问题。通过支持约束和矢量投影技术，优化策略评估与改进。实验结果表明，该算法在D4RL基准测试中表现优异，尤其在复杂导航任务中。

该研究提出了一种多目标集成批评家强化学习方法，旨在解决自主驾驶中的多目标兼容性问题，从而提高驾驶效率、安全性和训练效果。

本文提出了一种名为READ的文本分类方法，结合强化学习与对抗性学习，旨在解决标注数据稀缺的问题。通过生成多样化的合成文本，提升模型的泛化能力。实验结果表明，READ在多个数据集上优于现有方法。

本研究解决了现有强化学习方法无法区分不同表现水平的信息利用不足的问题。提出了一种新颖的方法，通过对不同评级的经验进行区分和加权，来指导策略更新。这一方法通过优化综合奖励和策略损失函数，显著提高了收敛速度和整体性能，尤其在较低表现水平的惩罚上表现尤为突出。

本研究解决了强化学习中训练性能和可解释性不足的问题，提出了一种结合归纳逻辑编程和强化学习的新方法。通过从噪声示例中学习逻辑规则，该方法在每个经验批次中形成了可解释的代理策略近似，显著提高了学习代理的探索效率，并在复杂性增加的环境中表现出优越的训练效果。

本研究利用多智能体强化学习优化粒子探测器的轨迹重构，显著提升了重构性能并降低了预测的不稳定性。