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。

本研究使用混合物理数据驱动代理模型，利用嵌入神经网络的组分模型进行异质材料的微观分析。通过引入适用于有限应变框架下速率依赖性材料的体态循环神经网络架构，加速了显微模型的运行时间。

本研究提出了一种基于贝叶斯优化的 PAC-MOO 方法来解决约束多目标优化问题。该方法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 前沿的信息且同时考虑目标偏好的候选输入。实验结果表明 PAC-MOO 比现有方法更有效。

基于图神经网络的代理模型提供了可解释且高效的解决方案，用于实时推理城市排水网络的水力预测问题。该模型通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中。相较于基于神经网络和物理模型，该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。

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。

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。

该文介绍了一种基于标签的模型反演攻击方法，通过知识转移和代理模型提高了攻击成功率，同时突出了机器学习模型面临的隐私威胁。

本研究使用PCA研究了在CIFAR-10上训练的ResNet-18的逐层学习表示对分类器性能的影响。研究发现，20%的中间特征空间方差即可实现高精度分类。研究结果与神经崩溃现象联系起来，并提供了中间神经崩溃相关现象的部分证据。研究还展示了利用几个代理模型来估计DNN中可能开始出现神经崩溃的聪明方法。