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。

该文综述贝叶斯优化与迁移学习结合的方法，从初始点设计、搜索空间、代理模型和获取函数四方面总结技术细节，并介绍其在生物分子网络验证、基因设计、蛋白质工程、化学设计等领域的应用，提出未来研究方向。

本文综述多保真贝叶斯优化（MFBO）研究，涵盖高斯过程代理模型与采集函数，及其在约束、高维、不确定性和多目标优化中的应用。相关进展包括物理感知方法、噪声建模、多目标MF-OSEMO、反向设计协同、知识梯度超参调优、MF-MES和多保真零阶优化。

本文综述图神经网络在电力系统中的应用：分析电网动态稳定性、预测非线性目标并识别脆弱节点；检测和定位故障，准确率达99.53%；预测潮流，优于传统方法；加速交直流混合系统潮流分析；作为最优潮流与安全约束机组组合的代理模型，快速量化运行风险；用于配电网络故障定位，对噪声和拓扑变化具有鲁棒性。

贝叶斯优化综述，涵盖组合空间与离散变量的SBBO、仅需两两比较的PBO、多臂老虎机方法、排列空间算法BOPS-T/H、神经过程代理模型、高斯Cox过程推断及自适应线性化等新进展，并总结过程系统设计中的挑战与机遇。

该文综述混合变量贝叶斯优化研究：MiVaBo首次处理离散变量复杂约束并提供收敛分析；MixMOBO高效求解混合变量多目标帕累托前沿；MVRSM基于ReLU代理模型优化；此外还包括扩散核建模方法、MCTS-VS变量选择、AutoOpt自动设计元启发式框架及大规模多目标VMORS等，均在实验中优于现有方法。

该文综述物理信息神经网络（PINNs）的多项研究：提出提升训练效率与准确性的最佳实践；用生成网络构建28GHz空地信道统计模型；以课程规范化和序列到序列学习增强物理意义学习；将PINNs用于流体代理模型，提升预测性能、抗噪性与收敛速度；探索求解障碍相关偏微分方程；用辅助深度网络纠正模型偏差；提出多任务优化训练框架提升交通密度预测；并应用于固体力学，结合动量平衡与本构关系提高场量精度。

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。