本研究探讨了人机交互中代理行为的可解释性，特别是在自主驾驶、工厂自动化和医疗领域。提出了一种新方案，以优化人类干预，防止代理采取不安全策略，并提升人类对代理的信心，从而提高系统效率。

本研究提出了一种新框架，克服传统可解释方法的局限性，增强离线强化学习中的行为发现与动作归因，从而提供更精确的高层次代理行为解释。

本研究利用大型语言模型模拟社交网络中的谣言传播，分析不同网络结构和代理行为对谣言传播效果的影响，以应对社交媒体上日益严重的谣言问题。

本研究提出了一种新的旅行规划代理行为标准APEC，强调结果与过程评价的结合。开发的APEC-Travel代理通过多轮对话挖掘个性化需求，显著提升用户满意度，展示了全面委托的应用潜力。

本文提出了一种名为占用流场的运动预测方法，利用深度学习生成占用流场，并引入流跟踪损失以提高预测一致性。该方法在占用预测和运动估计方面表现优越，解决了现有方法的局限性，并有效预测代理行为，为自动驾驶技术的发展提供了新思路。

本研究提出了一种框架，通过时间逻辑公式和嵌入方法对强化学习代理的行为进行解释和聚类。实验结果表明，该框架能够有效分类代理行为，并提供易于理解的策略描述，从而提升用户在代理验证任务中的表现。

介绍了一个大规模的众包文字冒险游戏作为研究平台，用于研究基于场景的对话。通过训练生成模型和检索模型，模型能够根据潜在世界的状态来调整预测，从而更好地预测代理行为和对话。分析了成功落地所需的要素和与代理相关的因素。

该研究提出了一种通过语义聚类的方法CODEX来总结强化学习代理行为并建立用户信任。实验结果表明，CODEX方法能够保留时间和实体信息，构建代理行为的总结。通过对游戏环境中的离散+连续游戏状态潜在表示进行聚类，可以确定最关键的情节事件，展示了潜在空间和语义空间之间的关系。该研究以自然语言处理技术为基础，为解锁强化学习在广泛应用中的潜力做出了贡献。