本研究提出了一种新训练方法，解决神经网络在安全关键应用中的输出约束问题。该方法结合混合区域和梯度信息，快速避开非凸安全区域，计算复杂度与线性规划相当，显著提升训练效率。

本研究解决了竞标游戏在马尔可夫决策过程（MDP）中结合随机环境不确定性与代理之间拍卖互动的关键问题。提出了一种新颖的方法，通过价值迭代算法近似阈值和最优策略，并计算无环MDP的精确解，发现寻找阈值的难度至少与解决简单随机博弈同等高，从而推动了此领域分析技术的发展。

本研究解决了自动驾驶车辆在复杂交通规则下轨迹规划困难的问题。通过将可满足性模理论与基于集合的可达性分析相结合，我们提出了一种轨迹修复技术，可以有效修复违反交通规则的轨迹。实验结果显示，该方法在复杂环境中也能高效可靠地恢复合规操作，显著节省了计算时间。

本文总结了一种新的垃圾回收算法Mark-Scavenge，指出以可达性作为活跃性代理会导致不必要的数据移动。研究表明，Mark-Scavenge通过延迟回收，减少了无效对象的移动，提高了性能，尤其在高负载情况下显著降低了垃圾数据的复制。

大型语言模型（LLMs）在科学研究中的应用需要新的评估标准。我们提出了SciKnowEval基准，从知识广度、探索能力和伦理考量等五个方面评估LLMs。以生物学和化学为例，构建了50,000个科学问题的数据集，评估了20个LLMs。结果显示，尽管性能优越，专有LLMs在科学计算方面仍需改进。

本研究关注公共交通网络设计中可达性不平等的问题，尤其是在城市郊区交通便利性不足的现状。我们提出了一种结合消息传递神经网络和强化学习的新方法，以提高公共交通可达性，降低城乡之间的交通不平等。研究表明，该方法在效率上优于传统的元启发式方法，具有重要的社会与环境影响。

研究测试了五种大型语言模型在图形推理问题上的表现。通过设计10个不同复杂度的图形遍历问题，分析了模型在不同图形大小和提示下的性能。结果显示，提示对推理任务有负面影响。新提示技术PathCompare表现优于标准提示。

本研究通过学习密度分布计算无人系统前向可达状态的数据驱动方法，结合模型预测控制，应对系统不确定性进行可验证的安全路径规划。在自动驾驶和气垫船控制方面的实验中，证明了该方法在处理不确定性和复杂动态系统中的优异性能。

该研究论文探讨了部分可观测马尔可夫决策过程（POMDPs）中的最大可达性概率问题（MRPP），研究了一种基于点估计方法和基于试探性启发式搜索的新算法，解决了处理无限时域问题中循环的问题，并在实验评估中表现出优越性。

本文介绍了解决马踏棋盘问题的算法，通过while循环控制马的移动，计算每个可能移动位置的度数来评估可达性，选择度数最小的位置作为下一步移动的目标，但需结合其他算法和策略综合评估确定下一步移动位置。

本研究提出了一种运行时保证系统（RTA），利用备份控制器和机器学习技术确保三维空间飞行模型的安全性和可扩展性。实验结果表明，该方法提高了实验控制器的利用率。

该文介绍了CP和SAT方法解决迷宫问题，并提出了一种新的可达性编码。实验证明，该编码在SAT规划问题中非常适用，特别是在同时执行多个动作时。

该文介绍了一个新的强化学习框架，用于在随机环境中实现安全约束。该算法通过最小化违规行为来保持持续的安全特性，并基于可达性估计来优化该框架。在多个安全强化学习环境中进行评估，结果显示了在提高奖励性能和安全性方面的优势。

该研究使用Feudal HRL算法，通过紧密的表示发现目标表示的发展机制，并同时学习目标表示和分层策略。在复杂的导航任务上评估，结果表明所学到的表示是可解释的、可传递的，并且可以实现高效的学习。

本文研究了针对任意可达性和安全性属性的环境规范下的LTLf综合，提供了一系列完整的综合算法。

该研究应用运筹学工具改善城市公园的可达性、分布和设计。通过空间交互模型评估用户行为，实现公平设施位置和设计模型。以蒙特利尔市为例进行比较和讨论。