本研究探讨了观察对智能体的影响及其程度，引入了“广义定向信息”量度，定义了智能体的塑性，并揭示了其与赋权的关系，强调在智能体设计中需关注这两者。

本研究提出了一种新的学习框架——塑性感知专家混合模型（PA-MoE），旨在优化自适应视频流的用户体验（QoE）。该模型通过动态调节网络塑性，显著提升了神经网络的自适应能力，实验结果显示QoE性能提高了45.5%。

本文综述机器学习在材料模型中的研究：采用前馈神经网络构建弹性模型，PODFNN构建塑性模型并用于有限元；利用循环神经网络与迁移学习替代编织复合材料中尺度模拟；通过符号回归提升弹塑性模型可解释性；结合物理约束与正则化实现简约表征；研究损失可塑性并提出动态回放策略；采用物理启发网络处理路径依赖本构；利用层归一化与权重衰减维持可塑性；提出机械智能与形态计算模型；使用长短期记忆网络预测纳米复合材料循环粘弹-粘塑-损伤行为。