方向介绍：
自主学习系统是一类利用人工智能和机器学习技术的系统，能够在最少的人工干预下进行学习和改进。这些系统通过分析数据、识别模式并从经验中学习，从而提高其性能和决策能力。自主学习系统在各种应用中变得越来越重要，包括自动驾驶车辆、医疗诊断、金融分析和更多。这种系统的关键在于它们能够随着时间的推移而不断进步，适应新的情况和数据，使它们在处理复杂任务时更加有效和精确。
(1) 强化学习：从环境状态到动作映射的学习方法，以使智能体的动作从环境中获得的累积奖励值最大。围绕智能体如何与环境交互学习，在动作-奖励的环境中获得经验改进策略以适应环境达到预想的目的。研究包括深度强化学习、单（多）智能体强化学习、分层强化学习等。

(2) 组合优化：利用机器学习的方法对运筹优化问题进行建模和求解，依靠大模型的语义理解和抽象能力，实现对通过自然交互方式输入的运筹优化需求自动建模和统一表示；设计机器学习与传统运筹算法相结合的或者端到端的优化求解器，提高求解器的求解效率和通用性。

(3) 智能博弈：通过将强化学习、运筹优化等技术引入到计算博弈求解框架之中，形成混合驱动的复杂博弈高效求解技术体系，构建模型能通用、环境自适应、结果可解释的智能决策基础模型，并在游戏、机器人、电力等领域进行应用。研究包括单智能体探索学习、多智能体协同学习、不完美信息博弈学习、对手建模人机交互学习等。

(4) 自主无人系统指利用大模型的感知和认知能力、自主决策和导航技术、以及系统间的通信和协同作业实现机器人的自主运行及进化。此外，安全性和可靠性的研究也至关重要，以确保系统在各种环境下的稳定运行，这些研究在多个领域有着广泛应用，如自动驾驶、无人机监测、灾难响应和工业自动化。
代表性论文：

• Peisong Wang, Fanrong Li, Gang Li, Jian Cheng. Extremely Sparse Networks via Binary Augmented Pruning for Fast Image Classification. IEEE Transactions on Neural Networks and Learning Systems (TNNLS), Vol.34, No.8, pp.4167-4180, 2023.
• Sicong Liu, Xi Sheryl Zhang, Yushuo Li, Yifan Zhang, Jian Cheng. On the Data-Efficiency with Contrastive Image Transformation in Reinforcement Learning. ICLR 2023. [code]
• Yifan Zang, Jinmin He, Kai Li, Haobo Fu, Qiang Fu, Junliang Xing, Jian Cheng. Automatic Grouping for Efficient Cooperative Multi-Agent Reinforcement Learning，Neural Information Processing Systems (NeurIPS), 2023.