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。

本研究提出了一种名为“ANSR-DT”的自适应神经符号学习框架，旨在解决数字双胞胎技术中的动态模式学习问题，从而提高决策的准确性和可解释性。

本研究提出了一种三层共识可信证据融合方法（PCEF），有效解决了集体决策中的偏好泄露和融合失败问题，提升了隐私保护、决策准确性和时间效率。

本研究探讨大学招生候选人评估中的认知偏差，提出基于BGM-HAN的AI增强工作流程，显著提升决策准确性，具备实际应用潜力。

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。

该文章介绍了一种决策为中心的替代建模方法，用于解决实时环境下的非线性优化问题。该方法通过学习简化的凸优化模型来最小化决策预测误差。作者通过数值实验验证了该方法在处理非线性化学过程方面的有效性，并与标准的数据驱动替代建模方法进行了比较，证明了其在产生简单替代模型和提高决策准确性方面的数据效率。

介绍了DriveCoT端到端驾驶数据集，使用CARLA模拟器收集和标注数据，用于评估思维链路和决策准确性。提出了基线模型DriveCoT-Agent，用于生成预测和决策，并在评估中展现出强大性能，验证了数据集的有效性。