本研究提出一种新方法，将多变量模式分析与状态空间模型结合，以解析脑电图数据中的认知策略，揭示“确认”操作与决策准确性及思维变化之间的关系。

本研究提出了一种检索增强决策（RAD）框架，旨在提高自动驾驶系统在复杂场景下的高层元动作理解和决策准确性。实验结果表明，RAD在主要评估指标上优于基线方法，显著提升了自动驾驶任务的决策能力。

本研究提出了一种保护隐私的三层共识可信证据融合方法（PCEF），旨在解决现有分布式证据融合在集体决策中导致的偏好泄露和融合失败问题。该方法通过技术创新确保证据隐私，并在决策准确性和时间效率上优于现有方法，推动集体决策的隐私保护与可靠性。

本研究提出一种两阶段学习延迟机制，提升预训练语言模型在复杂问答中的表现。通过依赖人类专家或更大模型，提高决策准确性，同时保持计算效率。实验表明，适当延迟查询可使小模型性能接近大模型，扩大应用范围。

该研究通过蒙特卡洛树搜索和轻能量函数改进大型语言模型（LLM），显著提升数学推理的准确性。与其他解码方法相比，在多项推理任务中表现优异，超越多种现有模型。研究提出了AQA-Bench基准，评估LLM的顺序推理能力，发现闭源模型表现更佳。MCT Self-Refine算法结合MCTS，提升复杂数学推理性能，推动LLM在人工智能应用中的决策准确性。

该论文探讨了可解释人工智能（XAI）的发展，提出了基于人类交流行为的解释框架，强调透明度和可理解性。研究展示了在视觉识别任务中的应用效果，并提出了以用户为中心的设计原则和优化目标识别模型的方法，以提高决策准确性和用户信任。

本文探讨大型语言模型（LLM）在自动驾驶系统中的应用，强调其推理、解释和记忆能力。研究表明，LLM能够有效处理复杂驾驶场景，提高决策的准确性和安全性，并在个性化驾驶体验和遵守交通规则方面表现优异，推动自动驾驶技术的发展。