Quantum Machine Learning for Optimizing Entanglement Distribution in Quantum Sensor Circuits
Cleveland State University(克利夫兰州立大学)
本文提出在量子环境中使用强化学习优化量子传感器电路的纠缠布局,基于 Qiskit 结合噪声模型与错误缓解,在提升 QFI 和纠缠熵的同时显著降低电路深度与门数。
2025-08-28 cs.AI quant-ph
Stochastic Sensitivity Analysis Using Fuzzy Influence Diagrams
University of California, Berkeley(加州大学伯克利分校)
在决策分析文献中描述的随机敏感性分析的实践证明,需要考虑不确定性的精确点估计的偏差。我们建议使用贝叶斯模糊概率的影响图计算方案进行灵敏度分析的概率推理和决策问题的解决方案。与其他参数方法不同,该方案不需要解决问题的变化的概率点估计。我们声称,模糊影响图的解决方案提供了尽可能多的信息,经典的点估计方法加上有关随机敏感性的额外信息。以微机装配中的诊断决策为例说明了这一思想。我们声称,模糊影响图的解决方案提供了尽可能多的信息,经典的点估计方法加上额外的区间信息,是有用的随机敏感性分析。
2013-03-27 cs.AI
Quantum Circuit Components for Cognitive Decision-Making
IonQ, Inc.(IonQ公司);University of California, Berkeley(加州大学伯克利分校);City, University of London(伦敦大学城市学院)
本文证明了一些人类决策的非经典模型可以在量子计算机上成功运行。自20世纪60年代以来,许多观察到的认知行为已经被证明违反了基于经典概率和集合论的规则。例如,调查中提出问题的顺序会影响参与者回答“是”或“否”,因此对两个问题都回答“是”的人群不能被建模为两个固定集合的交集。然而,它可以被建模为以不同顺序进行的一系列投影。这个例子和其他例子已经成功地使用量子概率进行了描述,量子概率依赖于比较子空间之间的角度,而不是子集之间的体积。现在,在21世纪20年代初,量子计算机已经达到了这样一个地步,其中一些量子认知模型可以在量子硬件上实现和研究,通过在量子比特寄存器中表示心理状态,以及使用不同的门和测量进行认知操作和决策。本文发展了这样的量子线路表示的量子认知模型,特别侧重于建模秩序的影响和决策的不确定性。这种说法并不是说人类大脑明确地使用量子比特和量子线路(就像布尔集合论的使用不需要大脑使用经典比特一样),而是量子认知和量子计算之间共享的数学激励了量子计算机对认知建模的探索。关键的量子特性包括叠加、纠缠和坍缩,因为这些数学元素提供了认知模型、量子硬件和电路实现之间的共同语言。
2023-03-23 cs.AI quant-ph
The Commit-Abstain Circuit: Why Language Models Hallucinate Instead of Abstaining
本研究通过机制分析识别出语言模型中的承诺-弃权回路(CAC),揭示其过度承诺导致幻觉的机制,并利用该回路训练轻量策略,显著提升决策准确率并减少虚假弃权。
2026-09-30 cs.AI
Sensitivity Analysis for Threshold Decision Making with Dynamic Networks
Utrecht University(乌得勒支大学)
动态贝叶斯网络的参数不准确的影响可以通过对网络进行灵敏度分析来研究。在我们以前的工作中详细说明了由此产生的灵敏度函数,我们现在研究的阈值决策模型中的参数不准确的建议决策的影响。我们详细介绍了不同的条件概率表中的单个和多个参数的影响,并提出了一个计算程序,用于建立界限,这些参数的评估可以变化,而不会引起建议的决定的变化。我们通过传染病领域的一个现实生活中的动态网络来说明所涉及的各种概念。
2012-06-27 cs.AI cs.CE
Circuit Representations of Random Forests with Applications to XAI
本文提出将随机森林分类器编译为电路集的方法,通过实例抽象提升决策解释的可计算性,并提出计算决策鲁棒性和翻转路径的算法。
2026-03-15 cs.AI cs.LG cs.LO
Structural Learning of Probabilistic Sentential Decision Diagrams under Partial Closed-World Assumption
Istituto Dalle Molle di Studi per l’Intelligenza Artificiale (IDSIA)(达莱莫勒人工智能研究所(IDSIA))
概率决策图是一类结构化可分解的概率电路,特别设计用于嵌入逻辑约束。为了适应经典的LearnSPN方案来学习这些模型的结构,我们提出了一个新的方案,基于部分封闭世界的假设:数据隐式地提供电路的逻辑基础。因此,通过递归地聚类初始数据库中的批次来学习求和节点,而变量的划分遵循给定的输入vtree。初步实验表明,所提出的方法可以适当地适应训练数据,并推广到测试数据,只要这些保持一致的底层逻辑基础,这是一个放松的训练数据基地。
2021-07-26 cs.AI
The Tractability of SHAP-Score-Based Explanations over Deterministic and Decomposable Boolean Circuits
IMFD Chile(智利基础数据研究所);Inria Lille – Nord Europe(法国国家信息与自动化研究所里尔-北欧分部);UMR 9189 CRIStAL(CRIStAL联合研究单元)
基于Shapley值的分数被广泛用于对机器学习模型上的分类结果提供解释。一个很好的例子是有影响力的SHAP分数,这是Shapley值的一个版本,可以通过为每个特征分配分数来帮助解释特定实体上学习模型的结果。虽然通常计算Shapley值是计算上难以处理的问题,但是最近已经声称可以在决策树类上在多项式时间内计算SHAP分数。在本文中,我们提供了一个更强的结果证明布尔模型:形状得分可以计算在多项式时间确定性和可分解的布尔电路。这种电路,也被称为易处理布尔电路,概括了广泛的布尔电路和二元决策图类,包括二元决策树、有序二元决策图(OBDD)和自由二元决策图(FBDD)。我们还建立了计算限制的概念的形状得分观察,在温和的条件下,计算它在一类布尔模型总是多项式的模型计数问题,这类困难。这意味着确定性和可分解性都是我们考虑的电路的基本属性,因为删除其中一个会使计算SHAP分数的问题变得难以处理(即#P-hard)。
2021-04-03 cs.AI cs.CC
LLM-Driven Algorithm Design for Quantum Circuit Synthesis based on Binary Decision Diagrams
KAIST(韩国科学技术院);Radical Numerics;Omelet Inc(Omelet公司)
该研究提出基于LLM的进化框架\texttt{QuantumEvo},发现启发式HGA-QE优化BDD变量排序,使合成量子电路的QCC性能提升,在基准测试中表现出竞争力。
2026-11-17 cs.AI cs.AR
Robustness Guarantees for Credal Bayesian Networks via Constraint Relaxation over Probabilistic Circuits
University of Oxford(牛津大学)
在许多领域,最坏情况下的性能保证(例如,预测精度)的决策函数服从分布的变化和环境的不确定性是至关重要的。在这项工作中,我们开发了一种方法来量化的鲁棒性的决策功能的信用贝叶斯网络,正式的参数模型的环境中的不确定性表示通过信用集的参数。特别是,我们解决的最大边际概率(MARmax)的问题,也就是说,确定事件(如误分类)的最大概率可获得的参数在credal集。我们开发了一种方法,忠实地将问题转化为概率电路上的约束优化问题。通过执行一个简单的约束松弛,我们展示了如何获得一个保证的上限MARmax在线性时间的电路的大小。我们进一步从理论上描述了这种约束松弛的原始贝叶斯网络结构,这产生了洞察的约束的紧密性。我们实现的方法,并提供实验证据表明,上限往往是近紧,并展示了改进的可扩展性相比,其他方法。
2022-05-11 cs.AI
Social Circuits behind Multi-agent Echo Chambers
Simon Fraser University(西蒙弗雷泽大学);University of Alberta(阿尔伯塔大学);Southern University of Science and Technology(南方科技大学)
针对多智能体通信中的回声室问题,提出社会电路框架追踪消息对接收者激活的影响,并据此设计CGD方法选择有用消息,在三个模型四个数据集上取得最高或并列最高准确率且生成更少令牌。
2026-09-29 cs.AI
On The Reasons Behind Decisions
University of California, Los Angeles(加州大学洛杉矶分校)
最近的工作表明,一些常见的机器学习分类器可以编译成具有相同输入输出行为的布尔电路。我们提出了一个理论,揭示了布尔分类器的决策背后的原因,并研究了它的一些理论和实践意义。我们定义的概念,如决策背后的充分,必要和完整的原因,除了分类和决策偏差。我们展示了如何使用这些概念来评估反事实陈述,如“即使......因为... .“我们提出了有效的算法来计算这些概念,这是基于新的进展,易处理的布尔电路,并说明他们使用的案例研究。
2020-02-21 cs.AI cs.LG
Perturbation Sensitivity of Maximum-Likelihood Pairwise Ranking in Computational Decision Systems
研究基于最大似然估计的成对排名系统对策略性数据扰动的脆弱性,提出自适应子集选择攻击(ASSA)方法,实验表明少量扰动即可显著改变全局排名。
2026-10-08 cs.AI cs.GT cs.LG
ChiPFormer: Transferable Chip Placement via Offline Decision Transformer
The University of Hong Kong(香港大学);Shanghai AI Laboratory(上海人工智能实验室);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Zhejiang University(浙江大学);Tianjin University(天津大学)
提出基于离线强化学习的ChiPFormer框架,通过Decision Transformer从固定数据学习可迁移芯片布局策略,显著提升布局质量并将运行时间缩短10倍。
2023-08-01 cs.AI cs.LG
The Value Sensitivity Gap: How Clinical Large Language Models Respond to Patient Preference Statements in Shared Decision-Making
Waymark;University of California, San Francisco(加州大学旧金山分校)
本文研究了临床大语言模型在共享决策中对患者偏好声明的响应,发现不同模型在价值敏感度和一致性上存在差异,通过实验验证了模型对患者价值的识别能力。
2026-02-12 cs.AI cs.CY cs.LG
CDRL: A Reinforcement Learning Framework Inspired by Cerebellar Circuits and Dendritic Computational Strategies
Academy of Medical Engineering and Translational Medicine(医学工程与转化医学学院)
CDRL通过借鉴小脑回路和树突计算策略,提出了一种提升强化学习样本效率、鲁棒性和泛化能力的生物启发架构。
2026-02-17 cs.AI cs.LG cs.NE
SymCircuit: Bayesian Structure Inference for Tractable Probabilistic Circuits via Entropy-Regularized Reinforcement Learning
Department of Mechanical and Aerospace Engineering(机械与航空航天工程系)
SymCircuit通过熵正则化强化学习替代贪心算法,实现概率电路结构学习,采用语法约束的自回归Transformer生成有效电路,并在NLTCS数据集上显著提升样本效率。
2026-03-20 cs.AI cs.LG stat.ML