企业智能正在转向以代理为中心的模型，Work IQ 提供智能层，帮助代理访问和处理组织数据，支持高效的多步骤交互，结合聊天、上下文和工具，提升工作效率。同时，Work IQ 还提供安全的治理和成本管理，确保 IT 团队有效管理资源。该平台已在公共预览中，计划于6月16日正式发布。

本研究提出了一种基于行动序列的反事实解释方法，旨在满足解释性AI中对多次行动的解释需求。探讨了用户如何在不完整真相等情况下纠正代理模型的行动计划。

本研究提出了一种新方法，结合未知输入变换和不确定仿射变换，以解决代理模型在迁移到新任务时对大量数据的需求。研究表明，利用少量目标任务数据优化这些变换，迁移学习效果显著优于原始代理模型，尤其在数据稀缺情况下表现突出。

本研究提出了一种高效的在线训练算法，解决了复杂相关结构下贝叶斯优化中的高容量代理模型选择问题。该算法通过条件化与优化交替进行，显著提升了任务表现，优于高斯过程及其他贝叶斯神经网络架构。

本研究提出CODES基准测试，以解决耦合常微分方程系统代理架构评估标准不足的问题。CODES提供评估指标，分析代理模型表现，并通过并行训练和网络配置生成器提升可用性，帮助研究者选择合适的代理模型。

本论文开发了一种基于深度学习的代理模型，显著加速油藏模拟，速度提升超过2000倍，平均误差约10%。该模型在油田开发优化中表现优异，为未来研究提供了重要基准。

本文探讨了基于深度学习的代理模型在地下水流和水文预测中的应用，结合物理约束与机器学习的方法，显著提高了预测准确性并减少了不确定性，推动了水资源管理的可持续发展。HydroPML平台的推出增强了机器学习的可解释性，为数字水循环的实现奠定了基础。

本研究利用图神经网络（GNN）开发了快速代理模型，以解决冰川动力学问题。通过20年的模拟数据训练，GNN能够更准确地重建冰厚度和速度，捕捉冰量减少和加速现象。GNN模拟器在GPU上运行速度比CPU快50倍，优于传统模型，适用于气候趋势预测和颗粒流动模拟等领域。

本文介绍了多种贝叶斯优化方法，如模拟基于贝叶斯优化（SBBO）和神经过程贝叶斯优化，强调其在黑盒优化中的有效性和优势。这些方法通过代理模型和不确定性量化，成功应用于高维优化、超参数调整和组合优化等领域，表现出优于传统方法的性能。

本论文提出了一种验证自动驾驶系统安全特性的实用方法，通过建立代理模型描述交通场景下的行为，并评估多个模拟交通场景的安全特性。

本文介绍了一种受约束的因果贝叶斯优化方法（cCBO），可在已知因果图中找到优化目标变量并满足约束条件的干预措施。通过代理模型和观察干预数据，捕捉不同层次的效果相关性。该方法在人工和真实世界的因果图中具有快速收敛和可行性干预比例间的成功权衡。

本研究将代理模型纳入多智能体情景下的部分可观察马尔可夫决策过程(POMDPs)，通过贝叶斯更新维护信念并求得最优方案。证明了POMDPs的重要特性在该框架下仍然成立。

该研究报告介绍了一种基于代理模型的自动社会操作系统（ASOS）的方法，通过超图和符号混合框架来综合和结构化地表示社会动态。该系统在国际油期货市场成功应用，识别潜在市场条件并进行干预，提出了一种有效的解决方案生成方法。

本论文提出了一种验证自动驾驶系统安全的方法，通过建立代理模型来描述交通场景下的行为，并证明安全特性以保证性能。同时，探索了危险驾驶的安全和不安全参数空间，并通过评估多个模拟交通场景展示了方法的实用性。

本研究提出了一种新的活动学习方法，通过学习的代理模型选择批次的未标记实例来进行数据获取，从而减少标注成本。该方法克服了现有活动学习方法的局限性。

本研究提出了一种基于贝叶斯优化的PAC-MOO方法，用于解决违反约束条件的多目标优化问题。该方法能够学习输出目标和约束的代理模型，并选择评估最佳受约束Pareto前沿的候选输入。实验结果表明，PAC-MOO比现有方法更加有效。

本论文提出了一种验证自动驾驶系统安全特性的实用方法，通过建立代理模型描述交通场景下的行为，并探索危险驾驶的参数空间。通过评估多个模拟交通场景，展示了该方法的实用性。