Using Potential Influence Diagrams for Probabilistic Inference and Decision Making
Stanford University(斯坦福大学);Duke University(杜克大学)
潜在影响图是标准“条件”影响图的推广,是概率推理和决策分析的有向网络表示[Ndilikilikesha,1991]。它允许高效的推理计算对应的无向图。在本文中,我们探索了潜在影响图和条件影响图之间的关系,并深入了解潜在影响图的属性。特别是,我们将展示如何将潜在影响图转换为条件影响图,以及如何根据条件影响图查看潜在影响图操作。
2013-03-06 cs.AI
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
A Table-Based Representation for Probabilistic Logic: Preliminary Results
KU Leuven(鲁汶大学);Leuven.AI - KU Leuven Institute for AI(鲁汶AI - 鲁汶大学人工智能研究所)
我们提出了概率决策模型和符号(pDMN),这是决策模型和符号(DMN)的概率扩展。DMN是一种确定性决策逻辑的建模符号,其目的是用户友好和低复杂性。pDMN通过概率推理、谓词、函数、量化和新的命中策略扩展了DMN。与此同时,它旨在保留DMN的用户友好性,允许领域专家在没有IT人员帮助的情况下使用它。pDMN模型可以明确地转换为ProbLog程序以回答用户查询。ProbLog是Prolog的概率扩展,它足够灵活,可以在任何pDMN模型上建模和推理。
2021-10-05 cs.AI
Uncertainty measures for probabilistic hesitant fuzzy sets in multiple criteria decision making
Quchan University of Technology(库昌理工大学);University of Melbourne(墨尔本大学)
本文批判性地回顾了现有的概率犹豫模糊集(PHFS)的熵测度,并证明了这些熵测度在某些情况下不能有效地区分各种不同的PHFS。在续集中,我们开发了一个新的公理化框架的熵措施的概率犹豫模糊元素(PHFEs)考虑两个方面的不确定性与PHFEs被称为模糊性和非特异性。对于每种不确定性,推导出一些公式,允许灵活选择PHFE熵措施。此外,在PHFE熵测度的基础上,我们引入了一些基于熵的距离测度,并将其用于比较分析部分。
2020-11-16 cs.AI
Reinforcement Learning in Partially Observable Markov Decision Processes using Hybrid Probabilistic Logic Programs
Gulf University for Science and Technology(海湾科技大学)
我们提出了一个概率逻辑编程框架,强化学习,通过集成强化学习,在POMDP环境中,与正常的混合概率逻辑程序与概率答案集语义,这是能够表示特定领域的知识。我们正式证明了我们的方法的正确性。我们证明了在我们的方法中为强化学习问题找到策略的复杂性是NP完全的。此外,我们证明了任何强化学习问题都可以编码为具有答案集语义的经典逻辑程序。我们还表明,一个强化学习问题可以编码为SAT问题。我们提出了一个新的高层次的动作描述语言,允许POMDP的因子表示。此外,我们修改了POMDP的原始模型,使它能够区分知识生产行动和行动,改变环境。
2010-11-27 cs.AI
Explainable Automated Reasoning in Law using Probabilistic Epistemic Argumentation
Technical University of Darmstadt(达姆施塔特工业大学);University of Stuttgart(斯图加特大学)
将自动推理工具应用于法律决策支持和分析,有可能使法院判决更加透明和客观。由于证据的准确性和相关性往往存在不确定性,因此需要采用非经典推理方法。在这里,我们调查概率认知论证作为自动推理有关法律案件的工具。我们介绍了一个一般的计划,以模拟法律案件的概率认知论证问题,解释如何可以模拟证据和素描如何解释法律决定可以自动生成。我们的框架是很容易解释的,可以处理循环结构和不精确的概率,并保证在最坏的情况下多项式时间的概率推理。
2020-09-12 cs.AI
Probabilistic Models for Agents' Beliefs and Decisions
Stanford University(斯坦福大学)
智能系统的许多应用需要对领域中代理的心理状态进行推理。我们可能想推理一个智能体的信念,包括关于其他智能体的信念;我们也可能想推理一个智能体的偏好,以及他的信念和偏好如何与他的行为相关。我们定义了一个概率认知逻辑(PEL),其中的信念语句给出了一个正式的语义,并提供了一个算法,断言和查询的PEL公式在贝叶斯网络。然后,我们将展示如何通过将代理的决策过程建模为影响图并假设他的行为是理性的来推理代理的行为。然后,PEL可以用于从代理的观察到的动作推理到关于域的其他方面的结论,包括未观察到的域变量和代理的精神状态。
2013-01-16 cs.AI
Towards Developing Ethical Reasoners: Integrating Probabilistic Reasoning and Decision-Making for Complex AI Systems
The University of Edinburgh(爱丁堡大学)
针对现有AI伦理框架适应性不足的问题,提出一个结合中间表示、概率推理和知识表示的元级伦理推理框架,支持个体与多智能体决策,并给出定理基础,以构建稳健可靠的伦理AI系统。
2025-02-28 cs.AI
Making Decisions with Belief Functions
SRI International(SRI国际公司);Artificial Intelligence Center(人工智能中心)
不确定性推理的一个主要动机是在面对非决定性证据时得出决策。然而,谢弗的信念函数理论,它明确地表示了许多推理问题的约束不足的性质,缺乏一个正式的决策程序。显然,当没有足够的信息可用时,没有任何理论可以在不做额外假设的情况下规定行动。面对这种情况,如果要出现一个明显更优的选择,就必须做出一些假设。在本文中,我们提供了一个简单的假设,消除歧义的决策问题表示的信念函数的概率解释。我们证明,它产生的期望值相同的概率分析,使相同的假设。此外,我们展示了如何经常在概率推理中使用的决策分析方法可以扩展到使用的信念函数。
2013-03-27 cs.AI
Probabilistic Relational Planning with First Order Decision Diagrams
Oregon State University(俄勒冈州立大学);Tufts University(塔夫茨大学)
动态规划算法已成功地应用于命题随机规划问题,通过使用紧凑的表示,特别是代数决策图,捕捉域动态和价值函数。符号动态规划的工作提升了这些想法,一阶逻辑使用几种表示方案。最近的工作介绍了一阶变量的决策图(FODD),并开发了一个值迭代算法,这种表示。本文开发了几个改进的FODD算法,使该方法的实用。这些包括,新的减少运营商,减少的大小表示,几个加速技术,和技术的值近似。在此基础上,提出了一个求解相关随机规划问题的规划系统FODD-Planner。该系统在几个领域进行了评估,包括最近的国际规划竞赛的问题,并显示出与顶级系统的竞争力。这是第一次证明这种方法的可行性,它表明,通过紧凑的表示抽象是一个很有前途的方法随机规划。
2014-01-16 cs.AI
Decision-Making in Reinforcement Learning
Gautam Buddha University(乔达摩佛陀大学)
在这项研究工作中,研究了概率决策方法,例如贝叶斯和玻尔兹曼策略,以及各种确定性探索策略,例如贪婪,ε-贪婪和随机方法。在这项研究工作中,概率和确定性决策方法之间进行了比较研究,实验在OpenAI健身房环境中进行,解决推车杆问题。这项研究工作讨论了深度强化学习中的贝叶斯决策方法,以及关于辍学,它如何降低计算成本。对各种勘探方法进行了比较。它还讨论了探索在深度强化学习中的重要性,以及改进探索策略如何在科学和技术方面有所帮助。这项研究工作表明,从长远来看,概率决策方法比确定性方法更好。当存在不确定性时,贝叶斯丢弃方法被证明是优于所有其他方法在这项研究工作中。
2019-06-01 cs.AI
Decision Making Using Rough Set based Spanning Sets for a Decision System
基于粗糙集的概念,最近提出的跨度和跨度集来处理数据中的不确定性。在这里,本文提出了新的概念,通用的决策过程中使用粗糙集的决策表的跨度。人工智能中的大多数问题都与决策有关。本文提供了现实生活中的应用,建议粗糙集的决策表的跨度。本文提出了决策表跨度的新概念,并以抗洪救灾和救援队伍分配为例进行了说明。探讨了它的用途、应用和性质。本文的主要贡献是研究了基于粗糙集的决策表生成问题,而不是以往的信息系统。在这里,主要的贡献是,决策类自动学习的粗糙集的技术为基础的跨度,为特定的问题,从而自动化的决策过程。这些基于跨度的决策工具可以指导专家在艰难和有时限的情况下做出决策。
2021-07-21 cs.AI
Anytime Decision Making with Imprecise Probabilities
SUNY Institute of Technology(纽约州立大学理工学院)
本文探讨的决策方法,能够适应的形式,其中有关的决策问题的不确定性可以现实地表示和计算时间的数量之前,必须作出决定的限制。该方法是Boddy和Dean 1991意义上的任意时刻算法。本文介绍了Frisch和Haddawy [1992]的任意时刻演绎系统、Nilsson [1986]概率逻辑的任意时刻适应以及概率数据库模型的技术。
2013-02-27 cs.AI
Navigating Decision Landscapes: The Impact of Principals on Decision-Making Dynamics
Microsoft(微软)
本研究探讨社会决策中负责主体(外部引导者)的影响,发现其可靠性显著影响决策,偶尔信任不可靠主体可改变结果,随机建议下信任增加错误,强调需谨慎信任。
2023-12-25 cs.AI
Weighted Positive Binary Decision Diagrams for Exact Probabilistic Inference
Radboud University Nijmegen(拉德堡德大学奈梅亨分校)
最近的工作加权模型计数已非常成功地应用于贝叶斯网络的概率推理问题。概率分布被编码成布尔范式并编译成目标语言,以便更有效地表示条件概率之间表达的局部结构。我们表明,进一步的改进是可能的,通过利用知识,在编码阶段丢失,并将其纳入编译器的启发可满足性模理论。变量之间的约束被用作背景理论,这使我们能够优化香农分解。我们提出了一种新的语言,称为加权正二进制决策图,通过使用这种分解变体,以减少尺寸的算术电路,从而降低概率推理的成本。
2016-10-18 cs.AI cs.LO
Investigation of A Collective Decision Making System of Different Neighbourhood-Size Based on Hyper-Geometric Distribution
Jadavpur University(贾达普大学);University of Paderborn(帕德博恩大学)
集体决策系统的研究是近年来群体智能相关研究的核心内容。集体决策系统建模的最具挑战性的任务是从其微观模型发展宏观随机方程。在这份报告中,我们已经调查了行为的集体决策系统与指定的微观规则,类似的化学反应,并使用不同的组大小。然后,我们大胆地推导出一个广义的分析模型的集体决策系统使用超几何分布。索引词群;集体决策;噪声;群体规模;超几何分布
2014-10-21 cs.AI
Deliberation Scheduling for Time-Critical Sequential Decision Making
Brown University(布朗大学)
我们描述了一种方法,涉及顺序任务和随机过程的时间关键的决策。该方法采用了几个迭代细化例程来解决决策问题的不同方面。本文集中在审议调度的元级控制问题,分配计算资源,这些例程。我们提供了不同的模型对应的优化问题,捕捉不同的情况和计算策略下的时间限制的决策。我们考虑的先驱模型,其中所有的决策执行之前,执行和经常性的模型,其中决策执行并行,占在执行过程中观察到的状态,并预测未来的状态。我们描述了算法的前兆和经常性的模型,并提供我们的实证调查的结果。
2013-03-06 cs.AI
Safe Reinforcement Learning via Probabilistic Shields
Radboud University(拉德堡德大学);TU Graz(格拉茨工业大学);RWTH Aachen University(亚琛工业大学)
本文的目标是在包含不确定性的场景中有效构建决策安全屏障。马尔可夫决策过程(MDP)是捕获此类规划问题的突出模型。强化学习(RL)是一种机器学习技术,用于确定MDP中的近似最优策略,这些策略在探索模型之前可能是未知的。然而,在探索过程中,强化学习很容易引发不受欢迎或在安全或任务关键型环境中不允许的行为。我们引入了概率屏蔽的概念,使决策能够坚持高概率的安全约束。在关注点分离中,我们采用形式化验证来有效地计算MDP的安全相关片段内的关键决策的概率。我们使用这些结果来实现应用于RL算法的屏蔽,然后优化实际的性能目标。我们讨论了在环境探索和确保安全方面取得足够进展之间的权衡。在我们的实验中,我们证明了街机游戏的PAC-MAN和案例研究,涉及服务机器人的学习效率增加的学习需要的数量级更少的情节。
2019-11-25 cs.AI
D numbers theory based game-theoretic framework in adversarial decision making under fuzzy environment
Northwestern Polytechnical University(西北工业大学)
对抗性决策是一种特殊类型的决策问题,其中决策者因其决策而获得的收益受到其他人所采取的行动的影响。方案评价的表示和最优方案的求解方法是对抗决策中的两个重要方面。本研究的目的是建立一个解决不确定环境下对抗性决策问题的一般框架。将模糊集理论、博弈论和D数论相结合,提出了一种基于D数论的模糊环境下对抗性决策的博弈论框架。在该框架或模型中,利用模糊集理论对决策者对方案的不确定性评价进行建模,利用DNT考虑模糊评价之间的非排他性,并从二人非常和博弈的角度考虑决策者之间的利益冲突。最后给出了一个应用实例,验证了该模型的有效性.该工作一方面为模糊环境下的对抗性决策提供了一个有效的框架,另一方面进一步完善了DNT作为Dempster-Shafer不确定性推理理论推广的基础。
2017-11-25 cs.AI
A Subjective Model of Human Decision Making Based on Quantum Decision Theory
KTH Royal Institute of Technology(瑞典皇家理工学院)
人类决策的计算机建模非常重要,例如,可持续交通、城市发展和在线推荐系统。在本文中,我们提出了一个模型来预测一个人的行为,在一个二元游戏中,不同的风险,收益和时间压力。该模型是基于量子决策理论(QDT),这已被证明,使建模的非理性和主观方面的决策,不占经典的累积前景理论(CPT)。在两个不同数据集上的实验表明,我们基于QDT的方法优于基于CPT的方法和数据驱动的方法,如前馈神经网络和随机森林。
2021-01-14 cs.AI
Arguing for Decisions: A Qualitative Model of Decision Making
Universidad Simon Bolivar(西蒙·玻利瓦尔大学)
我们开发了一个决策的定性模型,有两个目的:描述人们如何做出简单的决策,并使计算机程序做同样的事情。目前基于规划或决策理论的方法要么忽略了不确定性和权衡,要么提供了太复杂的语言和算法来完成这项任务。该模型提供了一种基于规则的语言,基于高概率和词典编纂偏好的语义,以及一个透明的决策过程,其中支持和反对决策的原因相互作用。该模型不能替代决策理论,但对于人们认为容易解释的决策,它可能提供一个有吸引力的替代方案。
2013-02-13 cs.AI
Conditions for Normative Decision Making at the Fire Ground
The Main School of Fire Service(消防勤务总学校)
我们讨论了在火场决策的态度的变化。这些变化是由最近的技术转变推动的。新兴的传感和数据处理新方法(在网络物理系统的共同保护伞下)允许拉平人类和机器之间在感知火场方面的差距。此外,描述性决策理论的结果质疑人类选择的合理性。这就需要寻找和测试在紧急情况下进行决策的新方法。我们提出了满足这一需求的框架。该框架的主要特点是有可能将规范性和规范性方法纳入决策过程。该框架还允许比较人类和机器之间的决策性能。
2015-12-15 cs.AI
Mixing Probabilistic and non-Probabilistic Objectives in Markov Decision Processes
University of Antwerp(安特卫普大学)
在本文中,我们考虑的算法,以确定存在的MDP的目标的布尔组合的战略。这些目标是Ω正则性质,需要强制执行,或者肯定,几乎肯定,存在,或非零概率。在这种情况下,相关的策略是随机无限记忆策略:无限记忆和随机化都可能需要最佳发挥。我们提供的算法来解决一般情况下的布尔组合,我们也调查相关的子情况。我们进一步报告这些问题的复杂性界限。
2020-04-28 cs.AI cs.FL cs.GT
A Method for Determining Weights of Criterias and Alternative of Fuzzy Group Decision Making Problem
Kim Il Sung University(金日成大学)
针对决策者对准则有不同形式的偏好信息的模糊群决策问题,建立了准则权重的确定模型,并利用所建立的模型和准则之间的关系分析,给出了确定最优方案的方法。
2017-05-16 cs.AI
Interval-valued q-Rung Orthopair Fuzzy Choquet Integral Operators and Its Application in Group Decision Making
Jiangxi University of Finance and Economics(江西财经大学)
用区间值q阶正射模糊集(IVq-ROFS)进行评价,使决策者更加灵活,为模糊决策提供了更广阔的应用空间。同时,Choquet积分是非可加集函数(模糊测度)来直接描述属性之间的相互作用,特别是在实际问题中存在大量属性之间具有相关性的问题,因此,本文提出了基于区间值q-阶正射模糊集Choquet积分的相关算子和群决策方法,首先,区间值q阶正射模糊Choquet积分平均算子(IVq-ROFCA)和区间值q-阶正射模糊Choquet积分几何算子(IVq-ROFCG),证明了它们的基本性质,并在IVq-ROFCA和IVq-ROFCG的基础上构造了几种算子。最后,通过高血压预警管理系统的实现,表明本文提出的算子和群决策方法能够处理现实中的复杂决策案例,决策结果与医生的诊断结果一致,而且,与其他算子的结果比较表明,所提出的算子和群决策方法是正确有效的,决策结果不受q值变化的影响。
2021-11-30 cs.AI
On Solving a Stochastic Shortest-Path Markov Decision Process as Probabilistic Inference
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
以前的工作规划作为积极的推理解决有限的地平线问题和解决方案有效的在线规划。我们建议解决一般的随机最短路径马尔可夫决策过程(SSP MDP)的概率推理。此外,我们还讨论了在线和离线的不确定性下的规划方法。在SSP MDP中,视界是不确定的并且先验未知。SSP MDP概括了有限和无限水平MDP,并广泛用于人工智能社区。此外,我们强调了一些使用动态规划方法广泛用于人工智能社区和主动推理社区中使用的方法来解决MDP之间的差异。
2021-09-13 cs.AI cs.LG
Solving Decision Theory Problems with Probabilistic Answer Set Programming
University of Ferrara(费拉拉大学);TU Wien(维也纳技术大学)
本文提出通过决策原子和效用属性在Credal语义下用概率回答集编程编码决策理论问题,并设计基于三层代数模型计数的算法,实验证明其可在合理时间内处理非平凡实例。
2024-08-21 cs.AI cs.LO
Handling Missing Data in Decision Trees: A Probabilistic Approach
University of California Los Angeles(加利福尼亚大学洛杉矶分校)
决策树是一个流行的家庭模型,由于其有吸引力的属性,如解释性和处理异构数据的能力。同时,缺失数据是阻碍机器学习模型性能的普遍现象。因此,处理决策树中的缺失数据是一个很好的研究问题。在本文中,我们解决这个问题,采取概率的方法。在部署时,我们使用易处理的密度估计器来计算模型的“预期预测”。在学习时,我们通过最小化它们的“预期预测损失”w.r.t.来微调已经学习的树的参数。我们的密度估计器。我们提供了简短的实验,展示了我们的方法相比,几个基线的有效性。
2020-06-29 cs.AI cs.LG stat.ML
Decision Hijacking: Prompt Injection Attacks on Jev's Typed Probabilistic Decisions
Nanyang Technological University(南洋理工大学)
研究提示注入对非生成式决策模型Jev的影响,发现恶意内容改变动作概率但少致目标选择,自适应攻击提升成功率,表明模式化输出未消除风险。
2026-09-25 cs.AI cs.CR
Probabilistic Loss and its Online Characterization for Simplified Decision Making Under Uncertainty
Technion - Israel Institute of Technology(以色列理工学院)
这是一个长期的目标,以减轻计算负担所产生的决策过程。识别这种机制对简化的敏感性具有巨大的影响。然而,不确定性下的决策算法通常依赖于近似或近似,而不量化其效果。因此,具有挑战性的情景可能会严重损害这些方法的性能。在本文中,我们扩展到整个决策机制,删除标准的近似值,并考虑到所有以前抑制的随机变异源。在此扩展之上,我们的主要贡献是一个新的框架,以简化决策,同时在线评估和控制简化的影响。此外,我们提出了新的随机边界上的回报和在线特征的效果,简化使用这个框架上的一个特定的简化技术-减少规划的信念表示的样本数量。最后,我们通过大量的模拟验证了我们的方法的优点。
2021-05-12 cs.AI cs.RO
A Translation of Probabilistic Event Calculus into Markov Decision Processes
University College London(伦敦大学学院);Università del Salento(萨勒诺大学)
本文提出将概率事件演算(PEC)形式化转换为马尔可夫决策过程(MDP)的方法,通过引入动作执行情境保留PEC的灵活语义,使MDP的算法工具可应用于PEC叙事领域,并支持将学习策略映射回可解释的PEC表示。
2025-07-17 cs.AI cs.LO
A Neuro-Symbolic Approach to Multi-Agent RL for Interpretability and Probabilistic Decision Making
IBM T.J. Watson Research Center(IBM T.J. 沃森研究中心);IBM Research Africa(IBM 非洲研究院);IBM Almaden Research Center(IBM 阿尔马登研究中心);IBM Research(IBM研究院)
本文提出事件驱动的神经符号多智能体强化学习方法,结合LNN与概率图模型构建PLNN框架,以解决可解释性、部分可观测性等问题,并在片上系统功率共享中验证其有效性。
2024-02-21 cs.AI cs.NE
Bio-inspired Learning and Decision-Making with Probabilistic In-Memory Computing Hardware: Part 1
CEA-List(法国原子能委员会电子与信息技术实验室);VERSES AI Research Lab(VERSES AI研究实验室);PRAESC AI;TU Wien(维也纳工业大学)
本文提出基于生物噪声动力学的概率内存计算框架,通过随机采样实现贝叶斯推理与学习,并指出模拟内存硬件天然适配大规模能效高的概率计算。
2026-09-11 cs.AI cs.LG
An Application of a Runtime Epistemic Probabilistic Event Calculus to Decision-making in e-Health Systems
University of Verona(维罗纳大学);University of Naples Federico II(那不勒斯费德里科二世大学)
我们提出并讨论了一个运行时架构,集成了感官数据和分类器与基于逻辑的决策系统的背景下,电子健康系统的儿童神经运动障碍的康复。在该应用中,儿童以游戏的形式执行康复任务。该系统的主要目的是导出一组参数,该参数是儿童的认知和行为表现的当前水平(例如,参与、注意力、任务准确性)从可用的传感器和分类器(例如,眼睛跟踪器、运动传感器、情感识别技术)并相应地做出决定。这些决定通常旨在通过在孩子注意力低下时触发适当的重新参与刺激来提高孩子的表现,通过改变游戏或当孩子对任务失去兴趣时使其变得更加困难,因为它太容易了。除了最先进的技术,情绪识别和头部姿态估计,我们使用的概率和认知逻辑编程方言的事件演算,称为认知概率事件演算的运行时变体。特别地,该符号框架的概率组件允许与机器学习技术的自然接口。我们概述了架构及其组件,并通过一个运行的例子和实验的讨论,它的一些特点。《逻辑程序设计理论与实践》(Theory and Practice of Logic Programming,TPLP)
2022-09-26 cs.AI cs.LO
Sample-Efficient Learning of Probabilistic Causes for Reachability in Markov Decision Processes with Probabilistic Guarantees
Toyota Research Institute of North America(丰田美国研究院);Toyota Motor North America Frontier Research Center(丰田北美前沿研究中心);Toyota Motor Corporation(丰田公司);Toyota Motor North America(丰田北美)
针对未知转移概率的马尔可夫决策过程,提出一种基于重启的修改方法,将概率提升原因检查简化为两个条件可达性查询,并设计基于双边值迭代的随时学习与检查算法,实现高效且可靠的原因识别。
2026-06-29 cs.AI cs.SY eess.SY
Learning Multiple Probabilistic Decisions from Latent World Model in Autonomous Driving
School of Automation, Southeast University(东南大学自动化学院);Baidu Inc.(百度公司)
针对自回归世界模型在自动驾驶中因不确定性建模不足和自欺欺人导致动作推导困难的问题,提出LatentDriver框架,通过多概率假设的混合分布建模并采样中间动作,在Waymax基准上达到专家级性能。
2024-09-24 cs.AI cs.RO
Lower Bounds for Exact Model Counting and Applications in Probabilistic Databases
University of Washington(华盛顿大学)
当前精确计算布尔公式满足赋值个数或满足概率的最佳方法可以直接或间接地看作是建立输入布尔公式的“决策-DNNF”(决策可分解否定范式)表示。Decision-DNNF是“d-DNNF”的一个特例,其中“d”代表“deterministic”。我们表明,任何决策DNNF可以转换成一个等价的“FBDD”(自由二进制决策图)-也被称为“只读一次分支程序”(ROBP或1-BP)-只有一个准多项式增加一般的表示大小,只有一个多项式增加的大小在特殊情况下的单调k-DNF公式。利用已知的指数下限FBDD,然后我们获得类似的指数下限的决策DNNF提供最近的算法的下限。我们还将决策DNF的能力与d-DNF和称为AND-FBDD的决策DNF的泛化分开。最后,我们将展示这些意味着指数下界与概率数据库的自然问题。
2013-09-26 cs.AI cs.CC cs.DB
Accelerating Entrepreneurial Decision-Making Through Hybrid Intelligence
通过混合智能加速创业决策创业决策指导的设计范例和原则
2021-05-07 cs.AI cs.HC
Bayesian Decision Trees via Tractable Priors and Probabilistic Context-Free Grammars
Stanford University(斯坦福大学)
决策树是当今最流行的机器学习模型之一,因为它们具有开箱即用的性能和可解释性。通常,决策树模型是通过启发式搜索标准(如基尼不纯或熵)以自上而下的方式构建的。然而,以这种方式构建的树对训练数据中的微小波动敏感,并且易于过拟合。相比之下,贝叶斯方法树建设制定的选择过程作为一个后验推理问题,这种方法更稳定,并提供更大的理论保证。然而,生成贝叶斯决策树通常需要从复杂的多模态后验分布中采样。目前基于马尔可夫链蒙特卡罗的贝叶斯决策树抽样方法容易出现模式坍塌和混合时间过长的问题,这使得它们不切实际。本文提出了一种新的贝叶斯决策树训练准则。我们的标准产生BCART-PCFG,它可以有效地采样决策树的后验分布的树木给定的数据,并找到最大后验(MAP)树。学习后验和训练采样器可以在数据集大小的多项式时间内完成。一旦学习了后验,就可以有效地对树进行采样(在节点数量上呈线性)。在我们的方法的核心是一个减少后采样采样的概率上下文无关文法的推导。我们发现,通过BCART-PCFG采样树执行类似或更好的贪婪构造的决策树在几个数据集上的分类精度。此外,通过BCART-PCFG采样的树要小得多-有时高达20倍。
2023-02-15 cs.AI cs.LG
Classificatory Sorites, Probabilistic Supervenience, and Rule-Making
University of Connecticut(康涅狄格大学);Purdue University(普渡大学)
我们认为刺激作用于一个系统,并唤起这个系统的反应。对刺激的反应的随附性意味着它们要么缺乏耐受性(即,它们在某些刺激的每个邻近区域都发生变化),或者刺激并不总是通过连续成员"非常相似“的有限刺激链连接起来。如果随附性不成立,容忍性和连通性的性质就不能被公式化,因此严格序列就不能被构造。我们假设,在经验系统(如人回答问题)的随附性从根本上是概率。对刺激的反应概率的随附性是稳定的,从这个意义上说,“高阶”概率分布总是可以简化为“普通”概率分布。在制定哪些刺激应该对应于哪些反应的规则时,批判情境中选择的主要特征是它们的任意性。我们认为,任意性对经典逻辑没有任何问题。
2015-04-23 cs.AI math.LO
PSG-Nav: Probabilistic Scene Graph Navigation via Multiverse Decision Making
Tsinghua University(清华大学)
提出PSG-Nav方法,通过构建3D概率场景图并利用多元宇宙决策从联合分布中采样最可能的世界设置,以处理开放词汇导航中的感知不确定性,并引入证据经验校准器实现在线终身适应,在多个基准上取得最新最优结果。
2026-05-31 cs.AI cs.RO
Modeling multistage decision processes with Reflexive Game Theory
本文介绍了自反博弈论在多阶段决策问题中的应用。背后的想法是,每个决策会议有一定的参数,如“当会议正在发生”,“谁是小组成员作出决定”,“小组成员如何相互影响”等,这项研究说明了连续或顺序的决策过程,其中包括两个阶段。在第一阶段,对最终决策的参数做出决定。第二阶段是最终决策本身的实施。因为在阶段1期间,可以有多个决策会话。在这种情况下,需要两次以上的会议才能做出最终决定。因此,最终决策的整个过程变成了由连续的决策会议组成的多阶段决策过程。
2012-03-11 cs.AI cs.MA
Calibration of Quantum Decision Theory: Aversion to Large Losses and Predictability of Probabilistic Choices
ETH Zürich(苏黎世联邦理工学院);Joint Institute for Nuclear Research(联合核研究所);Swiss Finance Institute(瑞士金融研究所);University of Geneva(日内瓦大学);Southern University of Science and Technology(南方科技大学)
我们提出了第一个校准的量子决策理论(QDT)的二元风险选择的数据集。我们定量占两个重复的实验之间的选择逆转的分数,使用概率选择配方在最简单的形式,没有模型假设或可调参数。然后,通过将决策者区分为两组:“多数派”和"逆向派“(比例为3:1),引入决策者之间的异质性,来改进对选择逆转的预测。这支持了QDT的第一个基本原则,它将选择建模为一个固有的概率过程,其中前景的概率可以表示为其效用和吸引力因素的总和。我们建议参数化的效用因子与随机版本的累积前景理论(logit-CPT),和吸引力因子与恒定的绝对风险厌恶(CARA)功能。对于这个数据集,并通过嵌套假设的Wilks检验惩罚大量的QDT参数,发现QDT模型在总体和个体水平上的表现明显优于logit-CPT,并且对于第一次实验迭代和预测(第二次"样本外“迭代)的所有考虑的拟合标准。由吸引因子捕获的独特QDT效应是最明显的(即,最相关和最强的幅度)的前景与大的损失。我们对实验结果的定量分析支持可预测性存在固有限制,这与选择的固有概率性质有关。本文的研究结果可以应用于人类决策者的选择预测以及人工智能的运行组织。
2023-03-03 cs.AI quant-ph
Double Fuzzy Probabilistic Interval Linguistic Term Set and a Dynamic Fuzzy Decision Making Model based on Markov Process with tts Application in Multiple Criteria Group Decision Making
Stanford University(斯坦福大学)
针对概率语言术语缺陷及动态属性权重确定难问题,提出双模糊概率区间语言术语集概念,定义相关内容,开发模糊语言马尔可夫矩阵等,给出权重确定方法,并用金融风险投资案例说明其在多准则决策中的应用。
2026-07-07 cs.AI cs.SY econ.GN
Group Fairness by Probabilistic Modeling with Latent Fair Decisions
University of California, Los Angeles(加州大学洛杉矶分校)
机器学习系统越来越多地用于做出有影响力的决策,例如贷款申请和刑事司法风险评估,因此,确保这些系统的公平性至关重要。这通常具有挑战性,因为数据中的标签是有偏见的。本文研究了通过显式建模一个代表隐藏的无偏标签的潜在变量来从有偏数据中学习公平的概率分布。特别是,我们的目标是通过在学习模型中强制执行某些独立性来实现人口均等。我们还表明,只有当用于提供这些保证的分布确实捕获了真实世界的数据时,组公平性保证才有意义。为了密切的数据分布模型,我们采用概率电路,一个富有表现力和易处理的概率模型,并提出了一个算法来学习他们从不完整的数据。我们在一个合成数据集上评估了我们的方法,在这个数据集上观察到的标签确实来自公平标签,但有额外的偏见,并证明了公平标签被成功检索。此外,我们在现实世界的数据集上表明,我们的方法不仅是一个比现有的数据生成方法更好的模型,而且还达到了有竞争力的准确性。
2020-12-17 cs.AI cs.LG stat.ML
Decision-Making Technology for Autonomous Vehicles Learning-Based Methods, Applications and Future Outlook
Delft University of Technology(代尔夫特理工大学)
自主车辆在民用和军事领域都有着巨大的应用潜力,随着科学和经济的快速发展,自主车辆已成为研究的热点。本文简要介绍了基于学习的自主车辆决策技术,因为它对自主车辆的安全和高效性能具有重要意义。首先,给出了决策技术的基本轮廓。其次,对基于学习的自主车辆决策方法的相关研究进行了综述,并与经典决策方法进行了比较。此外,总结了决策方法在现有自主车辆中的应用。最后,对自主车辆决策技术的未来研究方向进行了展望。
2021-07-02 cs.AI cs.RO
Early prediction of the duration of protests using probabilistic Latent Dirichlet Allocation and Decision Trees
Oracle India Pvt. Ltd(甲骨文印度私人有限公司);WNS Global Pvt. Ltd(WNS全球私人有限公司);University of Johannesburg(约翰内斯堡大学)
抗议和煽动是每个民主公民社会的组成部分。近年来,南非的抗议活动大幅增加。本文的目的是提供一个早期预测的抗议活动的持续时间从其自由流动的英文文本描述。自由流动的抗议活动的描述帮助我们捕捉其各种细微差别,如多种原因,行动课程等。接下来,我们使用无监督学习(主题建模)和监督学习(决策树)的组合来预测抗议活动的持续时间。我们的研究结果表明,在早期预测的抗议活动的持续时间的准确性很高(接近90%)。我们希望这项工作,以帮助警方和其他安全服务在规划和管理他们的资源,更好地处理未来的抗议活动。
2017-09-18 cs.AI cs.SI
Assisting clinical practice with fuzzy probabilistic decision trees
Eindhoven University of Technology(埃因霍温理工大学);University of Milano-Bicocca(米兰比可卡大学);Bicocca Bioinformatics, Biostatistics and Bioimaging (B4) research center(比可卡生物信息学、生物统计学与生物成像(B4)研究中心);University of Milan-Bicocca(米兰比可卡大学);IRCCS Fondazione San Gerardo dei Tintori(IRCCS圣杰拉尔多·德伊·廷托里基金会);IRCCS—Azienda Ospedaliero-Universitaria di Bologna(IRCCS博洛尼亚大学医院);Alma Mater Studiorum University of Bologna(博洛尼亚大学);Ca’ Foscari University of Venice(威尼斯大学);University of Cambridge(剑桥大学)
本研究提出结合概率树与模糊逻辑的可解释FPT模型,通过不确定性估计与反事实分析降低误诊率,在甲状腺结节分类和肾病进展预测场景验证了其临床辅助价值。
2023-04-26 cs.AI cs.LG q-bio.QM
Using AI Uncertainty Quantification to Improve Human Decision-Making
DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本研究通过两项在线实验证明,实例级不确定性量化能改善人类决策,且其益处具有跨表示形式的普遍性。
2024-02-06 cs.AI cs.HC
Decoding AI's Nudge: A Unified Framework to Predict Human Behavior in AI-assisted Decision Making
Purdue University(普渡大学)
本文提出一个统一计算框架,将AI辅助视为决策中的“助推”,通过可解释地建模人类信息权衡策略的变化来预测AI辅助决策行为,并在真实数据上验证其优于基线方法,同时揭示不同认知风格个体受AI助推的差异。
2024-01-11 cs.AI cs.HC
Natural Language Generation enhances human decision-making with uncertain information
Edinburgh Napier University(爱丁堡纳皮尔大学);Heriot-Watt University(赫瑞-瓦特大学)
决策通常依赖于不确定的数据,例如与置信度得分或概率相关的数据。我们提出了一个不同的信息呈现不确定数据的比较,并首次衡量其对人类决策的影响。我们表明,使用自然语言生成(NLG),提高决策的不确定性,与最先进的基于图形的表示方法。在一项针对442名成年人的基于任务的研究中,我们发现,使用NLG的演示文稿比图形演示文稿平均提高了24%的决策能力,当NLG与图形相结合时,决策能力提高了44%。我们还表明,当呈现NLG输出时,女性获得了更好的结果(与图形演示相比,平均增加了87%)。
2016-08-15 cs.AI cs.CL
From Cognitive to Computational Modeling: Text-based Risky Decision-Making Guided by Fuzzy Trace Theory
The University of Auckland(奥克兰大学)
由于内在的个体差异和非理性,理解,建模和预测人类风险决策是具有挑战性的。模糊迹理论(FTT)是一种强大的范式,它通过结合要点来解释人类决策,即,信息的模糊表示,只捕捉其本质意义。受Broniatowski和Reyna的FTT认知模型的启发,我们提出了一个计算框架,它结合了底层语义和情感对基于文本的决策的影响。特别是,我们引入类别2-向量学习分类主义者和分类情绪,并展示了如何优化我们的计算模型,以预测群体和个人的风险决策。
2022-05-15 cs.AI cs.CL
A Decision-Making Support System Based on Know-How
所描述的研究成果涉及:-开发领域建模方法和工具,为计算机集成制造决策支持系统的设计和实现提供支持; -建立基于专有技术的决策支持系统及其软件环境。该研究由日本NEDO资助。
2006-06-02 cs.AI cs.CE
Safe Decision-making for Lane-change of Autonomous Vehicles via Human Demonstration-aided Reinforcement Learning
Nanyang Technological University(南洋理工大学);Energy Research Institute, Nanyang Technological University(南洋理工大学能源研究院)
决策对于自动驾驶中的车道变换至关重要。强化学习(Reinforcement learning,RL)算法旨在识别各种情况下的行为值,因此成为解决决策问题的一条有前途的途径。然而,运行时安全性差,阻碍了基于RL的决策策略,从复杂的驾驶任务在实践中。为了解决这个问题,人的示范纳入RL为基础的决策策略在本文中。在驾驶模拟器中由人类受试者做出的决定被视为安全演示,其被存储到重放缓冲器中,然后用于增强RL的训练过程。一个复杂的车道变换任务,在出口匝道的情况下,建立检查所开发的策略的性能。仿真结果表明,人工演示可以有效地提高强化学习决策的安全性。所提出的策略优于其他现有的基于学习的决策策略,就多种驾驶性能。
2022-07-07 cs.AI cs.RO