A Qualitative Linear Utility Theory for Spohn's Theory of Epistemic Beliefs
University of Kansas School of Business(堪萨斯大学商学院)
在本文中,我们制定了一个定性的“线性”效用理论的彩票中的不确定性表示定性使用Spohnian怀疑功能。我们认为,一个理性的决策者面对一个不确定的决策问题,其中的不确定性是定性表达的行为,以最大化“定性预期效用。“我们对定性效用的公理化类似于冯·诺依曼和摩根斯坦为概率彩票开发的公理化。我们比较我们的结果与其他最近的结果在定性决策。
2013-01-16 cs.AI
A Comparison of Axiomatic Approaches to Qualitative Decision Making Using Possibility Theory
University of Kansas(堪萨斯大学)
在本文中,我们分析了两个最近的公理化方法提出的Dubois等人和Giang和Shenoy定性决策的不确定性描述的可能性理论。这两个公理化的灵感来自冯诺依曼和摩根斯特恩的公理系统的情况下概率论。我们表明,我们的方法自然地统一了两个公理系统,分别对应于Dubois等人提出的悲观和乐观的决策标准。简化统一是通过(i)替换公理,应该反映两种信息态度(不确定性厌恶和不确定性吸引力)的公理,规定了一套标准的彩票和(ii)使用二进制效用量表,其中每个效用水平由一对数字表示。
2013-01-10 cs.AI
On the Qualitative Comparison of Decisions Having Positive and Negative Features
CNRS(法国国家科学研究中心)
做决定往往是一个列举和比较正反两方面论据的问题。在这种情况下,决策的评价尺度应被视为两极,即应明确区分消极和积极的价值。例如,累积前景理论就是这样做的。然而,与后一种以真正的数值评估为前提的框架相反,人类代理人通常根据利弊的顺序排列来决定,并专注于最突出的论点。换句话说,决策过程是定性的,也是两极的。在这篇文章中,基于两极扩展的可能性理论,我们定义和公理化的特点定制的联合处理的积极和消极的参数在一个有序设置的决策规则。最简单的规则可以被看作是极大极小和极大极大准则对双极情形的扩展,因此具有较差的决定性。还提出了完善前者的更具决定性的规则。这些改进既符合效率原则,又符合数量级推理的精神,这在定性决策理论中占主导地位。最精细的决策规则使用leximin排名的优点和缺点,并计算参数的同等强度和取消利弊的想法。它被证明归结为一个特殊的情况下,累积前景理论,并subsidering采取最好的启发式研究的认知心理学家。
2014-01-15 cs.AI
Qualitative MDPs and POMDPs: An Order-Of-Magnitude Approximation
我们开发了一个定性的马尔可夫决策过程(MDP)和部分可观察MDP,可用于建模时,只有定性信息的顺序决策任务的理论。我们的方法是基于概率和效用的数量级近似,类似于ε语义。其结果是一个定性的理论,与标准的最大预期效用理论有密切的联系,并服从一般的规划技术。
2012-12-12 cs.AI
Efficient algorithm for estimation of qualitative expected utility in possibilistic case-based reasoning
Swinburne University of Technology(斯威本科技大学)
我们提出了一个有效的算法估计的可能性为基础的定性期望效用。它对决策机制很有用,其中每个可能的决策都被分配了一个多属性可能性分布。基于离散化计算期望效用的普通方法的计算复杂性随着属性的数量呈指数增长,并且可能在这些属性的数量很高时变得不可行。我们提出了一系列定理和引理证明我们的算法的正确性,具有线性计算复杂性。我们的算法已被应用于选择最有前途的合作伙伴在多方多属性谈判的背景下,也可以用于决策过程中的潜在报价作为其他类似的问题。
2012-07-04 cs.AI
Qualitative Decision Making Under Possibilistic Uncertainty: Toward more discriminating criteria
LIP6
本文的目的是提出一个概括以前的方法在定性决策。我们的工作是基于二元可能性效用(PU),它是期望效用(EU)的可能性对应,我们首先给出了PU的一种新的公理化,并研究了它与悲观效用和乐观效用的词典式集合的关系。然后,我们解释了定性决策标准粗糙的原因。最后,由于重新定义的可能性彩票和混合物,我们提出了改进的二进制可能性效用,这是比以前提出的标准更具歧视性。
2012-07-04 cs.AI cs.GT
A Hybrid Approach to Reasoning with Partially Elicited Preference Models
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校);Assumption University(易三仓大学)
经典决策理论为复杂偏好的表示和推理提供了一个规范的框架。直接应用这一理论来自动决策是困难的,由于高启发成本。为了解决这个问题,研究人员最近开发了一些定性的,逻辑导向的方法来表示和推理的参考。虽然有效地解决了一些表达问题,但这些逻辑还没有被证明足够强大,无法构建实用的自动化决策系统。在本文中,我们提出了一种混合的方法,以经典的多属性效用理论为基础的偏好诱导和决策,但可以有效地利用定性方法的表达能力。具体来说,假设一个部分指定的多线性效用函数,我们展示了如何比较声明类的决策方案可以用来进一步约束的效用函数,从而确定超最优的替代品。这项工作表明,定量和定性的方法可以协同集成,提供有效和灵活的决策支持。
2013-01-23 cs.AI
On a notion of independence proposed by Teddy Seidenfeld
Ghent University(根特大学)
Teddy Seidenfeld长期以来一直认为二元偏好模型不足以处理不确定性推理和决策中的不精确性和不确定性的许多关键方面。正是在他的坚持下,我们开始了对所谓的理想选项集的研究,我们在其他地方论证过,它提供了一种优雅而强大的方法来处理一般的、二元的以及非二元的不确定性决策。我们在这里使用这种方法来探索一个有趣的概念无关性(和独立性),首先提出的Seidenfeld在一个例子中,旨在作为一个批评的一些具体的决策方法的基础上(凸)二元偏好。我们表明,这样一个无关性或独立性评估的后果是非常强大的,并可能被用来主张使用所谓的混合选择功能,和E-受理作为决策方案。
2021-02-20 cs.AI math.PR
Q-Sat AI: Machine Learning-Based Decision Support for Data Saturation in Qualitative Studies
Bolu Abant Izzet Baysal University(博卢阿班特伊泽特·巴伊萨尔大学);Azerbaijan State University of Economics (UNEC)(阿塞拜疆国立经济大学(UNEC));Sakarya University of Applied Science(萨卡里亚应用科学大学)
Q-Sat AI通过机器学习模型提供数据饱和度决策支持,提升定性研究样本量确定的客观性和透明度。
2025-11-02 cs.AI cs.LG
A two-step fusion process for multi-criteria decision applied to natural hazards in mountains
Cemagref(法国农业和环境工程研究所);EMSE(圣艾蒂安国立高等矿业学校);ONERA(法国国家航空航天研究院)
山洪和雪崩造成人员和物质损失,后果严重。关于自然现象的知识往往缺乏,需要专门知识,以便使用多学科定量或定性方法进行决策和风险管理。专家知识被认为是一个基于不完全信息的决策过程,这些信息来自或多或少可靠和相互冲突的来源。本文提出了一种将多准则辅助决策方法层次分析法(AHP)与基于信度函数理论的信息融合相结合的方法。模糊集和Possible理论允许将定量和定性标准转换为Dempster-Shafer理论(DST)和Dezert-Smarandache理论(DSmT)背景下的共同决策识别框架。主要问题包括基本的信念分配的启发,冲突识别和管理,融合规则的选择,结果验证,但也在特定的需要,使重要性和可靠性和不确定性之间的差异在融合过程中。
2010-05-06 cs.AI
A Graph-Theoretic Analysis of Information Value
National University of Singapore(新加坡国立大学);Microsoft Research(微软研究院)
我们推导出定性关系的信息相关性的变量在图形决策模型的基础上考虑的模型的拓扑结构。具体来说,我们确定的优势关系的期望值的机会变量的信息在影响图中的位置和关系。可以利用定性关系来生成非数值程序,以便根据信息相关性对决策模型中的不确定变量进行排序。
2013-02-13 cs.AI
Decoupling Learning Rules from Representations
Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
在人工智能领域,学习通常对应于改变参数化函数的参数。学习规则是一种算法或数学表达式,它精确地规定了参数应该如何改变。在创建人工智能系统时,我们必须做出两个决定:应该使用什么表示(即,应该使用什么参数化函数)以及应该使用什么学习规则来搜索可表示函数的结果集。使用大多数学习规则,这两个决定以一种微妙的(通常是无意的)方式耦合在一起。也就是说,使用相同的学习规则和可以表示相同函数集的两种不同表示可以导致两种不同的结果。在认为这种耦合是不可取的,特别是当使用人工神经网络,我们提出了一种方法,部分解耦这两个决策的广泛的学习规则,跨越无监督学习,强化学习,和监督学习。
2017-06-09 cs.AI cs.LG stat.ML
Can AI Model the Complexities of Human Moral Decision-Making? A Qualitative Study of Kidney Allocation Decisions
Duke University(杜克大学);Carnegie Mellon University(卡内基梅隆大学);University of Oxford(牛津大学);Yale University(耶鲁大学)
本研究通过20次肾脏分配决策访谈,发现人类道德决策包含复杂的细微差别,指出简单AI模型难以完全替代人类道德判断,并探讨了现有计算方法的缺陷与未来方向。
2025-03-02 cs.AI cs.CY cs.HC
On the Complexity of Decision Making in Possibilistic Decision Trees
IRIT(法国图卢兹大学计算机科学、电子与通信研究所);LARODEC Laboratory(拉罗德克实验室);ISG, University of Tunis(突尼斯高等商业学院,突尼斯大学)
当关于不确定性的信息不能以简单的概率方式量化时,可能性决策理论的主题通常是一个自然的考虑。可能性决策理论的发展产生了一系列的可能性准则,如悲观可能性定性效用、可能性似然占优、二元可能性效用和可能性Choquet积分。本文主要研究可能性决策树中的序贯决策问题。它提出了一个复杂的问题,找到一个最佳的策略,根据单调性的优化标准,它允许应用动态规划,提供了一个多时间减少的决策问题的研究。它还表明,可能性Choquet积分不满足这一性质,在这种情况下,优化问题是NP -困难的。
2012-02-14 cs.AI
Scene Image is Non-Mutually Exclusive - A Fuzzy Qualitative Scene Understanding
University of Malaya(马来亚大学)
模糊性或不确定性是许多现实世界决策过程中普遍存在的因素。在这种情况下,当同样的问题被提出给不同的主体时,决定的变化是一种常态。心理学和形而上学的研究已经证明,人的决策是主观的。它受经验、年龄、背景等多种因素的影响,场景理解就是属于这一范畴的计算机视觉问题之一。传统的方法通过假设场景图像是互斥的来放松这个问题,因此,专注于开发不同的方法来执行二进制分类任务。在本文中,我们证明了场景图像是不互斥的,并提出了模糊定性等级分类器(FQRC)来解决上述问题。建议的BURCRC提供了一个排名的解释,而不是二元决策。使用大量和具有挑战性的公共场景数据集进行定性和定量评估,表明我们所提出的方法在建模非互斥场景图像方面的有效性。
2014-10-14 cs.AI cs.CV cs.IR
Temporal Fairness in Decision Making Problems
J.P. Morgan AI Research(摩根大通人工智能研究院)
本文提出决策问题中的时间公平性概念,将历史决策公平性纳入考量,并提出三种融入时间公平性的优化方法,在四个领域进行定性评估验证其有效性。
2024-08-23 cs.AI
A Unified framework for order-of-magnitude confidence relations
IRIT(图卢兹计算机科学研究所)
这项工作的目的是提供一个统一的框架,顺序表示的不确定性躺在可能性和概率理论之间的交叉。事件之间的这种置信关系通常在单调推理、不一致性管理或定性决策理论中找到。它们要么从概率论开始,使其更具定性,要么从可能性理论开始,使其更具表达性。我们表明这两种趋势收敛到一类真正的概率论。我们为这些有用的工具提供了表征结果,这些工具保留了可能性排名的定性性质,同时享受添加剂表示的表达能力。
2012-08-06 cs.AI
Order-of-Magnitude Influence Diagrams
IBM Research – Dublin(IBM研究院都柏林分部);Cork Constraint Computation Centre(科克约束计算中心);University College Cork(科克大学学院)
在本文中,我们开发了一个定性理论的影响图,可用于建模和解决顺序决策任务时,只有定性(或不精确)的信息。我们的方法是基于概率和效用的数量级近似的顺序,并允许通过设置效用值指定部分排序的偏好。我们还提出了一个专用的变量消除算法,可以应用于解决数量级的影响图。
2012-02-14 cs.AI
Simulating Meaning, Nevermore! Introducing ICR: A Semiotic-Hermeneutic Metric for Evaluating Meaning in LLM Text Summaries
University of Hawai‘i(夏威夷大学);Private Corporation(私营公司);Amazon GenAI(亚马逊生成人工智能)
本文提出ICR度量标准,用于评估LLM生成文本摘要中的意义,通过归纳内容分析和反思主题分析,超越词法相似性度量,评估语义准确性和意义一致性。
2026-03-06 cs.AI cs.CL
Parametrically Retargetable Decision-Makers Tend To Seek Power
Oregon State University(俄勒冈州立大学)
如果有能力的人工智能智能体通常被激励去寻求权力,以服务于我们为他们指定的目标,那么这些系统除了带来巨大的好处外,还将带来巨大的风险。在完全可观察的环境中,大多数奖励函数都有一个最优策略,它通过保持选项开放和生存来寻求权力。然而,现实世界既不是完全可观察的,也不需要训练的代理人甚至近似于奖励最优。我们考虑了一系列人工智能决策模型,从最优到随机,再到通过学习和与环境交互而做出的选择。我们发现,许多决策功能是可重定向的,而重定向性足以导致权力寻求倾向。我们的功能标准是简单和广泛的。我们表明,一系列的质量不同的决策程序激励代理人寻求权力。我们证明了我们的研究结果的灵活性,通过推理学习的政策激励蒙特祖马的复仇。这些结果暗示了一个安全风险:最终,可重定向的训练程序可能会训练现实世界中寻求超越人类的力量的代理人。
2022-10-11 cs.AI
On Blame Attribution for Accountable Multi-Agent Sequential Decision Making
MPI-SWS(马克斯·普朗克软件系统研究所)
责任归因是负责任决策的关键方面之一,因为它提供了量化代理人对决策结果的责任的方法。在本文中,我们研究的背景下,合作的多智能体顺序决策的责任归因。作为一个特殊的兴趣背景,我们重点关注由多智能体马尔可夫决策过程(MMDPs)形式化的合作决策,并分析了源自合作博弈论中现有概念或受其启发的不同责任归因方法。我们形式化的理想属性的归咎于设置的利益,我们分析了这些属性之间的关系和研究的归咎于方法。有趣的是,我们发现,一些著名的责任归因方法,如Shapley值,不绩效激励,而其他人,如Banzhaf指数,可能会过度责怪代理。为了缓解这些价值错位和公平性问题,我们引入了一种新的归咎归因方法,独特的属性集,它满足,权衡解释力(通过低估指责代理)上述属性。我们进一步展示了如何考虑代理决策政策的不确定性,我们通过实验:a)验证所研究的责任归因方法的定性属性,b)分析其对不确定性的鲁棒性。
2022-01-25 cs.AI
Decision-making Under Ordinal Preferences and Comparative Uncertainty
本文研究了从描述决策者(DM)的不确定性的事件(世界状态的子集)的排序和描述DM偏好的行为后果的排序的知识中找到一组行为上的偏好关系的问题。然而,与决策理论的经典方法相反,我们试图做到这一点,而不诉诸于任何效用或不确定性的数值表示,甚至不使用任何定性尺度来映射不确定性和偏好。它表明,虽然许多公理的萨维奇理论可以保留,尽管直观的呼吁的方法,用于构建一个偏好的行为,该方法是不一致的概率表示的不确定性,但导致的不确定性理论中遇到的非单调推理(特别是优惠和理性推理),密切相关的可能性理论。此外,尽管这种方法的基本原理看起来很合理,但它要么没有什么决定性,要么会导致非常危险的决策。本文提出了一个问题,纯粹的象征性的方法,在不确定性下的野蛮式决策的可能性,并获得初步的负面结果。
2013-02-06 cs.AI
An Application of Neutrosophic Sets to Decision Making
School of Engineering, University of Peloponnese(伯罗奔尼撒大学工程学院)
针对决策者对模糊或定性参数刻画存疑的决策问题,本文将软集表格中的二元元素替换为中智三元组,提出一种新的中智决策方法,并通过足球俱乐部选拔新球员的案例加以说明。
2023-05-16 cs.AI
Superficial Beliefs in LLM Decision-Making
Department of Computing, Imperial College London(帝国理工学院计算系)
研究大型语言模型在二元选择中是否仅模仿理由,通过合成决策实验发现模型行为有系统性但自我报告与行为推断的驱动因素不完全一致,表明存在“表面信念”。
2026-09-16 cs.AI
Applying Interdisciplinary Frameworks to Understand Algorithmic Decision-Making
University of Vienna(维也纳大学)
本文主张借鉴学习科学实践改进算法决策系统的解释,并通过纳入“理解的六个层面”框架的定性任务研究展示其效果,为未来跨学科研究提出引导性问题。
2023-05-26 cs.AI cs.HC
Understanding Perspectives of Patients, Caregivers and Clinicians towards Emerging Collaborative-decision Making Technologies
University of Washington(华盛顿大学);Johns Hopkins University(约翰霍普金斯大学)
研究探讨了患者、护理人员和临床医生对协作决策技术的态度差异,发现技术接受度与用户对技术的信任有关,需探索建立或促进用户与技术之间信任的设计和实施策略。
2026-05-20 cs.AI cs.HC
A Study on Fairness and Trust Perceptions in Automated Decision Making
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院(KIT))
自动化决策系统越来越多地用于结果性决策--出于各种原因。这些系统通常依赖于复杂而不透明的模型,这些模型不允许(或几乎不允许)理解如何或为什么做出给定的决定。这不仅从法律角度来看是有问题的,而且不透明的系统也容易产生不期望的结果(例如,不公平)的结果,因为他们的理智是很难评估和校准摆在首位。在这项工作中,我们进行了一项研究,以评估不同的尝试解释这种系统的影响,人们的公平和可信度的看法对基本机制。一项试点研究揭示了令人惊讶的定性见解以及初步的重大影响,这将需要在更大的主要研究中进行验证,扩展和彻底讨论。
2021-03-08 cs.AI cs.HC
Training Towards Critical Use: Learning to Situate AI Predictions Relative to Human Knowledge
Carnegie Mellon University(卡内基梅隆大学);Toyota Research Institute(丰田研究所);University of Washington(华盛顿大学)
本文提出面向过程的“批判性使用”概念,强调人类将AI预测与自身独有知识情境化,并通过儿童虐待筛查的随机实验证明,加速低风险练习能使新手表现出类似经验丰富的AI依赖模式。
2023-08-30 cs.AI cs.HC cs.LG
RoundTable: Investigating Group Decision-Making Mechanism in Multi-Agent Collaboration
University of Pennsylvania(宾夕法尼亚大学);AWS GenAI(亚马逊生成人工智能)
本文系统研究了多智能体协作中的群体决策机制,发现多数投票和一致投票会降低效率,并提出基于语言的早停方法,在减少50%轮次的同时使性能提升13%,揭示了群体决策对优化MAS协作的重要性。
2025-06-03 cs.AI cs.MA
Qualitative Measurements of Policy Discrepancy for Return-Based Deep Q-Network
深度Q网络(DQN)和基于返回的强化学习是近年来提出的两种很有前途的算法。DQN为复杂的序贯决策问题带来了进步,而基于返回的算法在利用样本轨迹方面具有优势。在本文中,我们提出了一个通用的框架,结合DQN和大多数基于返回的强化学习算法,命名为R-DQN。通过引入基于返回值的强化学习,可以有效地提高传统DQN的性能。为了进一步改进R-DQN,我们设计了一个策略,该策略具有两个度量,可以定性地度量政策差异。此外,我们给出了这两个测量的建议的R-DQN框架的界限。我们表明,我们的策略的算法可以准确地表达的迹系数,并实现更好的近似返回。在OpenAI Gym库中的几个代表性任务上进行的实验验证了所提出的测量方法的有效性。结果还表明,我们的策略的算法优于国家的最先进的方法。
2019-11-28 cs.AI cs.LG stat.ML
Escalation Risks from Language Models in Military and Diplomatic Decision-Making
Georgia Institute of Technology(佐治亚理工学院);Stanford University(斯坦福大学);Northeastern University(东北大学)
本文通过设计兵棋推演模拟框架,定量与定性分析了五种大语言模型在军事外交决策中的升级行为,发现其存在军备竞赛乃至核部署风险,建议部署前审慎评估。
2024-01-07 cs.AI cs.CL cs.CY
Explaining the Unexplained: A CLass-Enhanced Attentive Response (CLEAR) Approach to Understanding Deep Neural Networks
University of Waterloo(滑铁卢大学);University of Guelph(圭尔夫大学);CIFAR(加拿大高等研究院)
在这项工作中,我们提出了类增强的注意力反应(CLEAR):一种可视化和理解深度神经网络(DNN)在给定特定输入的情况下做出的决策的方法。CLEAR有助于在决策过程中可视化DNN的关注区域和关注级别。它还能够可视化与这些关注的兴趣区域相关联的最主要的类。因此,CLEAR可以减轻基于热图的方法与决策模糊性相关的一些缺点,并允许更好地了解DNN的决策过程。三个不同数据集的定量和定性实验证明了CLEAR在决策过程中更好地理解DNN内部工作的有效性。
2017-05-18 cs.AI cs.CV cs.LG
An Inference-Based Architecture for Intent and Affordance Saturation in Decision-Making
本文提出了一种基于推断的决策架构,通过分离意图和可能性选择,解释了决策瘫痪的机制,并展示了其在自闭症研究中的应用。
2025-12-29 cs.AI cs.LG q-bio.NC
A Pilot Evaluation of ChatGPT and DALL-E 2 on Decision Making and Spatial Reasoning
University of Southern California(南加州大学)
我们进行了一项试点研究,有选择地评估两个最近发布的生成Transformer模型,ChatGPT和DALL-E 2的认知能力(决策和空间推理)。输入提示是根据中立的先验准则而不是对抗性意图构建的。对输出的事后定性分析表明,DALL-E 2能够为每个空间推理提示生成至少一个正确的图像,但生成的大多数图像都是不正确的(即使模型似乎对提示中提到的对象有清晰的理解)。类似地,在评估ChatGPT在经典冯·诺伊曼-摩根斯坦效用定理下发展的合理性公理时,我们发现,尽管它展示了一定程度的理性决策,但它的许多决策违反了至少一个公理,即使在合理的偏好,赌注和决策提示的构造下。ChatGPT在这些问题上的输出通常是不可预测的:即使它对一些简单的决策问题做出了不合理的决策(或采用了不正确的推理过程),它也能够对更复杂的赌注结构得出正确的结论。我们简要地评论了在扩大这种“认知”评估或用一组封闭的答案键(“地面真相”)进行评估时所涉及的细微差别和挑战,因为这些模型在响应提示时具有固有的生成性和开放性。
2023-02-15 cs.AI cs.CL cs.CV