可解释人工智能是人工智能与机器学习领域最为活跃的研究方向之一。这主要是因为，通常人工智能与机器学习系统的内部机制难以理解，其输出结果也难以解释。当人工智能系统的决策或结果对利益相关方产生影响时，他们期望获得某种形式的解释。此外，相关立法正在推进，要求构建更具伦理属性的人工智能系统。一项为期五年的研究项目（于2023年获得加拿大自然科学与工程研究理事会资助）提出了多种解释人工智能如何得出结论的方法，具体包括应用因果关系的相关概念与技术，以及引入并分析基于评分的解释方法，该方法能够评估研究中各项属性的价值以反映其相关性。因果关系正开始在机器学习中扮演重要角色，因为数据中隐含的相关性可能不足以构建准确、可泛化且稳健的人工智能模型。

区块链技术已成为一项关键使能技术。在复杂且追求精益、敏捷与速度的全球供应链生态系统中，它能够为商业运营提供可追溯性、来源验证与透明度，同时助力实现社会可持续性。它被视为最具颠覆性的技术之一，代表着去中心化的交易环境、可自我执行的数字合约（智能合约）以及基于互联网的智能资产管理，为参与交易的各方提供统一的视图。因此，区块链技术的关键特性将深刻影响组织治理、供应链关系、运营战略、数字化转型路径以及现有的供应链商业模式。当区块链技术与物联网、大数据分析和人工智能等其他技术相结合时，将有助于基于高质量数据（存储于区块链中）进行敏捷的数据驱动决策，从而提升供应链效率，并进一步促进供应链透明度。这将实现产品的可追溯性、真实性与合法性认证，同时增强次级供应商的透明度，从而缓解多层供应链网络中的社会可持续性问题。

交通与物流系统对社会至关重要，其运行效能对经济发展具有根本性意义。然而，主要城市的交通网络常面临拥堵与中断问题，且全球城市人口的预期增长，对交通与物流系统的良性运行构成了潜在威胁。随着按需服务的兴起，用户对于出行与货物运输的需求正快速演变，对社会经济产生了深远影响。环境挑战加剧了这一趋势：气候变化的前景对构建更具可持续性、低排放且富有韧性的交通与物流生态系统提出了更高要求。为应对这些挑战，本项目采用随机优化的视角，将交通与物流系统中的扰动与中断建模为不确定性来源。本项目的目标是构思、设计并开发新的方法论，以实现可持续的按需服务规划与运营。

正如在新冠疫情中所见，大流行病可能对供应链造成严重破坏。随着员工感染，生产水平下降，客户需求无法得到满足。本项目以创新方式将流行病模型与最优控制理论相结合，构建了多种模型。这些模型能为工厂管理者提供指导，帮助其在规划期内确定最优的预防努力水平，以便在疫情早期保护劳动力，从而维持生产水平。

本研究旨在厘清当前项目管理知识体系中公认能力要素的优先级变化，并探讨项目经理面临的新兴角色挑战。这些挑战由现代社会、技术与生态变革所驱动，要求项目经理具备全新或经过调整的能力。我们结合最新趋势，系统梳理了项目专业人士所需的角色与能力：

• 需要应对前所未有的高度不确定性。
• 需要具备敏捷适应与快速响应的能力。
• 需要以可持续和符合伦理的思维模式，创新工作方法、产品与服务。
• 对有效学习能力的需求日益增长。
• 愿意在数字与人工智能技术的辅助下，积极参与全方位的转型。
• 对自我管理与保持身心健康能力的需求日益增长。

我们的研究问题基于上述“后疫情”背景提出，并借鉴了作者所在机构已有的研究成果，该成果将“U型理论”应用于高等教育环境中的早期职业项目经理。我们通过四个主要步骤，将这一理论框架适配于高等教育环境中早期职业项目经理的语境：设定意图、观察阶段、感知当下阶段、愿景结晶与付诸行动。

本中心成员将为城市中心区域的物流服务提供商开发新型商业模式。他们将利用历史数据与实时数据，构建需求预测模型。同时，项目旨在开发一套电子拍卖系统，以实时将包裹配送任务分配给可用车辆，在最大化服务效率的同时，尽可能减少行驶距离。新的配送方式将在六个欧洲城市进行测试与部署，包括枢纽辐射式配送、超本地化按需配送、协作配送、数字化服务配送以及集装箱化配送。示范活动将催生新的产品与服务，提升末端配送的运营效率。这不仅能创造新的本地就业岗位，还能为URBANE城市物流价值链中的产业参与者降低成本、提高利润。

当前，全球医疗系统面临的主要挑战是慢性病管理。事实上，许多疾病虽可治疗，但仍持续影响幸存者的生活质量和健康状况，即使在康复后也需要持续护理；此外，治疗本身也可能引发额外的慢性健康与福祉问题。例如，乳腺癌幸存者每日都需应对重大挑战。复发恐惧（FOR），即“对癌症复发或进展的恐惧、担忧或忧虑”，是癌症幸存者经历的一个重要特征，文献表明这与治疗后整体健康和生活质量的关键因素相关。本项目旨在基于乳腺癌幸存者的细粒度、多维度体验追踪数据，结合其个人特征及福祉/生活质量信息，对复发恐惧进行建模。我们的目标是构建一个集成系统，最终形成一款供乳腺癌幸存者和专业人员使用的移动应用程序，用于评估患者报告的结果。

本项目旨在开发一个多标准框架，用于实现特征子集与神经拓扑结构的协同演化，从而设计出既高效、又稀疏且易于解释的神经网络。据我们所知，此类协同演化机制尚未被探索，特别是从可解释性的角度。此外，本研究的另一重点在于开发新的搜索算法，这对于解决多标准协同演化问题至关重要，而该问题本身属于NP难问题。具体而言，本研究将以股票指数的次日走势预测作为基准问题，用于神经网络架构设计的分类任务。

本研究旨在分析（经济状况）不同的国家、亚人群或群体之间最优的协同控制策略。这一特定方面在现有文献中尚未得到充分发展，尤其是在网络动力学框架或博弈论表述中。该项目始于一个基于马尔可夫连续时间和类量子演化系统的决策动力学概率形式体系，并需要将其扩展至图本体论。近期研究成果包括：

• 实现了针对人口异质性的有效网络设计。该设计被应用于一个SIS模型，模型中个体的社交接触网络和个体感染-康复率均存在差异。
• 将异质网络扩展至社交接触网络上的SIR流行病模型。同时引入了控制策略（包括隔离、疫苗接种及其组合）。
• 将流行病模型扩展至SEIRD模型，并考虑了受经济、社会和技术因素制约的控制策略部署成本。