Probabilities of Causation for Continuous and Vector Variables
Yokohama National University(横滨国立大学);Iowa State University(爱荷华州立大学)
本文将因果概率(PoC)扩展至连续变量及多处理与多结果向量,引入子总体与多假设项的PoC以捕捉复杂反事实信息,提供非参数识别定理并在教育数据集上验证应用。
2024-05-30 cs.AI
Probabilities of Causation: Bounds and Identification
University of California, Los Angeles(加州大学洛杉矶分校);Cognitive Systems Laboratory(认知系统实验室)
本文讨论的问题估计的概率,一个事件是另一个在给定的情况下的原因。使用结构语义的必要或充分的因果关系(或两者)的概率的定义,我们展示了如何最佳绑定这些数量从实验和观察研究中获得的数据,使最小的假设有关的数据生成过程。特别是,我们通过削弱数据生成假设和推导因果关系概率的理论上的严格界限来加强Pearl(1999)的结果。这些结果精确地描述了如何使用经验数据来解决归因问题和解决与归因相关的决策问题。
2013-01-16 cs.AI
Weighted Sets of Probabilities and Minimax Weighted Expected Regret: New Approaches for Representing Uncertainty and Making Decisions
Cornell University(康奈尔大学)
我们考虑一个设置代理的不确定性是由一组概率措施,而不是一个单一的措施。在获取新信息时对这样的一组度量进行逐个度量更新是众所周知的,存在问题;代理并不总是能够适当地学习。为了处理这些问题,我们建议使用加权概率集:一种表示,其中每个度量都与权重相关联,该权重表示其重要性。我们描述了一个自然的方法来更新在这种情况下,一个自然的方法来确定权重。然后,我们将展示如何使用这种表示在决策中,通过修改一个标准的决策方法-最小化预期遗憾-获得极大极小加权预期遗憾(MWER)。我们提供了一个公理化的特点,在静态和动态的情况下,由MWER引起的偏好。
2013-02-21 cs.AI cs.GT
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
Making Decisions Using Sets of Probabilities: Updating, Time Consistency, and Calibration
CWI(荷兰国家数学与计算机科学研究所);Cornell University(康奈尔大学)
我们考虑代理应该如何更新她的信念时,她的信念是由一组P的概率分布,代理决策使用极大极小准则,也许是最好的研究和最常用的标准在文献中。我们采用了一个博弈论的框架,代理人发挥对一个庄家,谁选择一些分布从P.我们认为两个合理的游戏,不同的庄家知道当他做出选择。之前观察到的异常现象,如时间不一致,可以理解为是因为不同的游戏正在进行,针对不同信息的博彩公司。我们的特点是重要的特殊情况下,最佳决策规则根据极大极小准则的金额要么条件或简单地忽略的信息。最后,我们考虑更新和校准之间的关系时,不确定性描述的概率集。我们的结果强调了Epstein和Schneider的矩形性条件的关键作用。
2014-01-16 cs.AI cs.GT
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
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
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
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
User Interface Tools for Navigation in Conditional Probability Tables and Elicitation of Probabilities in Bayesian Networks
University of Pittsburgh(匹兹堡大学)
概率的推导是构建决策理论模型中最费力的任务之一,而且迄今为止在决策理论系统中只受到适度的关注。我们提出了一套图形概率模型的用户界面工具,侧重于概率启发的两个方面:(1)通过条件概率表导航和(2)离散概率分布的交互式图形评估。我们提出了两个新的图形视图,帮助导航非常大的条件概率表:CPTree(条件概率树)和SCPT(收缩条件概率表)。基于对人类定量数据图形化呈现的了解,我们为概率轮和条形图提供了几个有用的增强功能,包括不同的图表样式和选项,可以适应用户的偏好和需求。我们提出了一个简单的可用性研究的结果,证明了所提出的工具的价值。
2013-01-18 cs.AI
Weighted Sets of Probabilities and MinimaxWeighted Expected Regret: New Approaches for Representing Uncertainty and Making Decisions
Cornell University(康奈尔大学)
我们考虑一个设置代理的不确定性是由一组概率措施,而不是一个单一的措施。在获取新信息时对这样一组措施进行逐个措施更新是众所周知的问题;代理并不总是能够适当地学习。为了处理这些问题,我们建议使用加权概率集:一种表示,其中每个度量都与权重相关联,该权重表示其重要性。我们描述了一个自然的方法来更新在这种情况下,一个自然的方法来确定权重。然后,我们将展示如何使用这种表示在决策中,通过修改一个标准的决策方法,最小化预期遗憾,以获得最小最大加权预期遗憾(MWER)。我们提供了一个公理化的特点,在静态和动态的情况下,由MWER诱导的偏好。
2012-10-16 cs.AI cs.GT q-fin.TR
ValuePilot: A Two-Phase Framework for Value-Driven Decision-Making
BIGAI(北京智源人工智能研究院);Tsinghua University(清华大学)
提出两阶段价值驱动决策框架ValuePilot,通过DGT生成数据集并训练DMM模块,在给定人类价值偏好下实现最接近人类的个性化决策,优于多个主流大模型。
2025-03-06 cs.AI
Sequential Counterfactual Decision-Making Under Confounded Reward
我们调查随机试验的局限性时,感兴趣的原因是混淆的效果,通过形式化的反事实的政策空间,代理人的自然偏好输入到软干预。
2022-06-05 cs.AI
Bipolar Fuzzy Soft sets and its applications in decision making problem
Quaid-i-Azam University(真纳大学)
在这篇文章中,我们结合了双极模糊集和软集的概念。我们引入了双极模糊软集的概念,并研究了它的基本性质。研究了双极模糊软集上的基本运算。定义了两个双极模糊软集的扩张并、交。并给出了双极模糊软集在决策问题中的应用。给出了利用双极模糊软集求解决策问题的一般算法。
2013-03-23 cs.AI
Decision Making Using Probabilistic Inference Methods
Stanford University(斯坦福大学);Rockwell International Science Center(罗克韦尔国际科学中心)
不确定性条件下的决策分析与概率推理分析密切相关。事实上,对专家系统中概率推理的有效方法的许多研究都是由决策理论的基本规范性论点所激发的。在本文中,我们将展示如何发展这些有效的方法可以立即应用到决策问题。除了一般的方法,需要知道什么实际的概率推理方法,我们提出了一些简单的修改聚类算法家族,以有效地将决策能力。
2013-03-13 cs.AI
Decision-Making Under Uncertainty: Beyond Probabilities
Radboud University(拉德堡德大学)
这份立场文件反映了在不确定情况下决策的最新技术水平。一个经典的假设是,概率可以充分捕获系统中的所有不确定性。在本文中,重点是不确定性,超越了这一经典的解释,特别是通过采用一个明确的区别任意和认识的不确定性。本文概述了马尔可夫决策过程(MDP)和扩展,以解释部分可观测性和对抗行为。这些模型充分捕捉任意的不确定性,但未能考虑到认知的不确定性鲁棒。因此,我们提出了一个全面的概述,所谓的不确定性模型,表现出更强大的解释不确定性。我们展示了几种离散和连续模型的解决方案技术,从形式化验证,基于控制的抽象,到强化学习。作为本文的一个组成部分,我们列出并讨论了几个关键的挑战,在处理丰富类型的不确定性在基于模型的方式。
2023-03-10 cs.AI cs.LG cs.RO
Robust Anytime Learning of Markov Decision Processes
Radboud University(拉德堡德大学);University of Oxford(牛津大学)
提出一种结合贝叶斯推断与鲁棒策略计算的任意时间学习方法,用于从有限数据中学习MDP转移概率,并能在任何时刻停止以生成鲁棒策略。
2023-06-19 cs.AI cs.LG
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
Best-Effort Policies for Robust Markov Decision Processes
Department of Computer Science, University of Oxford(牛津大学计算机科学系)
针对鲁棒马尔可夫决策过程中多个最坏情形等价的最优鲁棒策略选择问题,提出最优鲁棒尽力策略准则,证明其存在性并给出低开销计算算法,通过数值实验验证了方法可行性。
2025-11-19 cs.AI cs.LO
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
Causal inference for data-driven debugging and decision making in cloud computing
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
云计算涉及复杂的技术和经济系统和交互。这带来了各种挑战,其中两个是:(1)在沙箱实验的帮助下,调试和控制以优化计算系统的性能,以及(2)对用于云客户端决策的“点”资源的成本的隐私保护预测。在本文中,我们正式调试反事实的概率和控制后(软)干预概率。我们证明了反事实可以近似地从“随机”图形因果模型中计算出来(而它们最初只定义为“确定性”功能因果模型),并基于这个草图,提出了一种数据驱动的方法来解决问题(1)。为了解决问题(2),我们通过后(软)干预概率形式化投标,并提出了一个简单的数学结果近似积分的“不完全”的条件概率分布。我们展示了云客户端如何使用这一点来权衡隐私与玩具场景中投标行为结果的可预测性。我们报告模拟和真实数据的实验。
2020-03-10 cs.AI cs.DC
Robust Entropy-regularized Markov Decision Processes
Singapore Management University(新加坡管理大学);Massachusetts Institute of Technology(麻省理工学院)
由熵正则化马尔可夫决策过程(ER-MDP)产生的随机和软最优策略对于探索和模仿学习应用是理想的。出于这样一个事实,即这些政策是敏感的状态转移概率,这些概率的估计可能是不准确的,我们研究了一个强大的版本的ER-MDP模型,其中随机最优的政策是需要强大的模糊性,在底层的转移概率。我们的工作是在强化学习(RL)的两个重要计划,即鲁棒MDP和熵正则化MDP的十字路口。我们发现,在我们的设置中,非鲁棒ER-MDP和鲁棒非正则化MDP模型的基本属性也成立,使得鲁棒ER-MDP问题易于处理。我们展示了我们的框架和结果如何可以集成到不同的算法方案,包括价值或(修改)的政策迭代,这将导致新的强大的RL和逆RL算法来处理不确定性。分析了传统不确定度设置下的计算复杂性和误差传播。
2021-12-31 cs.AI cs.LG
Beyond Calibration: Do a Typed-Decision Model's Probabilities Obey the Probability Axioms?
本文提出无需标签的逻辑关联问题测试,发现类型化决策模型Jev和Qwen3.8-27B的概率违反概率公理,且不一致性随置信度变化,暴露了校准无法发现的系统偏差。
2026-09-29 cs.AI cs.CL cs.LG
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
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
TypedBench: A Benchmark for Calibration, Framing Sensitivity, and Cost in System One Decision Models
DFKI GmbH(德国人工智能研究中心);RPTU Kaiserslautern(凯泽斯劳滕工业大学);Imperial College London(伦敦帝国学院);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
研究人员构建TypedBench基准评估第一类决策模型,发现托管模型受措辞影响且置信不足,解码器路由准确但随选项增多变慢,需联合评估模型多方面性能。
2026-10-12 cs.AI stat.AP
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
When Policies Change Probabilities: Modular Decision-Making for LLM Code Review
该研究针对LLM代码审查,测试4种审查界面的策略与概率分离情况,提出模块化流水线可提升概率准确性、降低损失,验证了风险与行动分离评估的必要性。
2026-08-05 cs.AI cs.MA cs.SE
Determinants of LLM-assisted Decision-Making
Ferdinand Porsche Mobile University of Applied Sciences (FERNFH)(费迪南德保时捷移动应用科学大学(FERNFH))
本文通过系统文献分析,梳理了透明度、提示工程、情绪、任务难度等影响LLM辅助决策的决定因素,并提出依赖框架揭示其相互依赖关系,为优化人机协作决策和LLM界面设计提供理论基础。
2024-02-27 cs.AI cs.HC
Visualizing the decision-making process in deep neural decision forest
Hong Kong University of Science and Technology(香港科技大学)
深度神经决策森林(NDF)通过结合决策树和深度表示学习,在各种视觉任务上取得了显着的性能。在这项工作中,我们首先跟踪该模型的决策过程,并可视化显着性图,以了解输入的哪一部分对分类和回归问题的影响更大。然后,我们将NDF应用于多任务坐标回归问题,并展示了路由概率的分布,这对于解释NDF是至关重要的,但没有显示回归问题。用于可视化的预训练模型和代码将在https://github.com/Nicholasli1995/VisualizingNDF上提供
2019-04-19 cs.AI cs.CV
Prediction Based Decision Making for Autonomous Highway Driving
University of Surrey(萨里大学);University of Warwick(华威大学);Warwick Manufacturing Group(华威制造集团)
由于交通固有的复杂性和不确定性,自动驾驶决策是一项具有挑战性的任务。例如,相邻车辆可以随时改变车道或超车,以超过慢速车辆或帮助交通流量。预测周围车辆的意图,估计它们的未来状态并将其整合到自动驾驶汽车的决策过程中,可以提高复杂驾驶场景中自动驾驶的可靠性。提出了一种基于预测的深度强化学习(PDRL)决策模型,该模型在高速公路驾驶决策过程中考虑了周围车辆的操纵意图。该模型使用真实的交通数据进行训练,并通过仿真平台在各种交通条件下进行测试。结果表明,与深度强化学习(DRL)模型相比,所提出的PDRL模型通过减少碰撞次数来提高决策性能,从而实现更安全的驾驶。
2022-09-05 cs.AI cs.RO
Personalized Decision Making -- A Conceptual Introduction
个性化决策针对特定个体的行为,而基于群体的决策关注与该个体相似的子群体。本文阐明了两者之间的区别,并解释了为什么前者会导致更明智的决定。我们进一步表明,通过结合实验和观察研究,我们可以获得有价值的个人行为的信息,从而改善决策,从实验研究中获得的。
2022-08-19 cs.AI cs.LO stat.ME
Decision-Analytic Approaches to Operational Decision Making: Application and Observation
Stanford University(斯坦福大学);Sun Microsystems, Inc(太阳微系统公司)
决策分析(DA)和研究人员在不确定性下的决策开发的一套丰富的工具显示出巨大的潜力,渗透的技术内容的产品和服务提供的公司在各个行业以及业务流程,用于提供这些产品和服务的市场。在本文中,我描述的工作进展在Sun微系统公司在其全球运营(WWOPS)业务管理组的应用决策分析方法的运营决策(ODM)。WWOPS的运营规划人员与产品工程、营销和销售人员合作,开始使用称为SCRAM(供应沟通/风险评估和管理)的决策分析框架来构建和解决产品规划、跟踪和过渡中的问题。信息价值等概念提供了一种管理大量信息集的强大方法,从而使管理人员能够将注意力集中在对其业务最重要的因素上。最后,我们的过程为导向的决策分析方法,Sun的管理人员,导致了一个集中的努力,开发决策支持软件的基础上的方法,在不确定性的决策。
2013-02-13 cs.AI cs.CY
A Game-Theoretic Analysis of Updating Sets of Probabilities
CWI(荷兰国家数学与计算机科学研究中心);Cornell University(康奈尔大学)
我们考虑代理应该如何更新她的不确定性时,它是由一组$¶$的概率分布和代理观察到,一个随机变量$X$采取值$x$,代理决策使用极大极小准则,也许是最好的研究和最常用的标准在文献中。我们采用了一个博弈论的框架,代理人对一个庄家,谁选择一些分布从$¶$。我们考虑两个合理的游戏,不同的赌注登记知道当他做出选择。之前观察到的异常,如时间不一致,可以理解为重要的,因为不同的游戏正在进行,对不同的信息赌博。我们的特点是重要的特殊情况下,最佳决策规则根据极大极小准则的金额要么条件或简单地忽略的信息。最后,我们考虑的条件和校准之间的关系时,不确定性描述的概率集。
2007-11-20 cs.AI math.ST stat.TH
DeLLMa: Decision Making Under Uncertainty with Large Language Models
University of Southern California(南加州大学)
本文提出DeLLMa框架,通过整合推理时计算扩展、决策理论与效用理论的多步推理过程,提升大型语言模型在不确定性环境下的决策准确性,实现高达40%的准确率提升。
2024-10-11 cs.AI cs.CL cs.LG
Developing moral AI to support antimicrobial decision making
Imperial College London(伦敦帝国理工学院);National Institute for Health Research(国家健康研究所)
人工智能(AI)协助抗生素处方引发了重大的道德问题。利用道德框架和人工智能驱动的系统,同时考虑感染的具体复杂性,可以支持道德决策,以解决抗生素耐药性问题。
2022-08-12 cs.AI cs.CY cs.LG
Fairness and Sequential Decision Making: Limits, Lessons, and Opportunities
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of California, Berkeley(加州大学伯克利分校);Microsoft Research(微软研究院)
随着自动决策和决策辅助系统在日常生活中变得越来越普遍,关于预防或减轻这些系统所做决策产生的潜在危害的研究也越来越多。然而,不同的研究团体已经独立地对这些危害进行了概念化,设想了潜在的应用,并提出了干预措施。其结果是一个有点破碎的文学景观一般集中在确保决策算法“做正确的事情”。在本文中,我们比较和讨论的工作在两个主要子集的文献:算法公平性,主要集中在预测系统,道德决策,主要集中在顺序决策和规划。我们探讨这些设置如何表达其规范性的问题,这些不同的设置不同的技术的可行性,以及如何从每个设置的想法可能有其他的效用。
2023-01-13 cs.AI cs.CY cs.LG
Building Decision Making Models Through Language Model Regime
Alibaba Group(阿里巴巴集团)
本文提出LTU两阶段方法,通过跨领域预训练构建基础决策模型并面向场景微调,利用LLM增强单步与多步决策的泛化能力。
2024-08-12 cs.AI cs.CL cs.LG
On The Statistical Complexity of Offline Decision-Making
Johns Hopkins University(约翰斯·霍普金斯大学)
该研究针对带函数逼近的离线决策,建立了随机上下文赌博机与马尔可夫决策过程的(近)极小极大最优速率,提出严格涵盖既往数据覆盖概念的行为策略新刻画,并验证了离线数据在多类在线决策场景中的近最优效益。
2025-01-10 cs.AI cs.LG stat.ML
Personalized next-best action recommendation with multi-party interaction learning for automated decision-making
University of Technology Sydney(悉尼科技大学)
在自然、社会和商业决策中,人们广泛需要在连续、动态和交互的环境中为每个客户自动推荐下一个最佳行动。个性化的次佳行动建议必须涉及过去,当前和未来的客户人口统计数据和环境(状态)和行为,客户和决策者之间的长期顺序交互,状态,行为和行动之间的多序列交互,以及他们对对方行动的反应。没有现有的建模理论和工具,包括马尔可夫决策过程,用户和行为建模,深度顺序建模,个性化顺序推荐,可以量化这样的复杂的决策在个人层面上。我们采取数据驱动的方法来学习下一个最好的行动,个性化的决策,通过加强耦合递归神经网络(CRN)。CRN表示客户的历史和当前状态的多个耦合动态序列,对决策者行为的响应,对行为的决策奖励,并学习各方(客户和决策者)之间的长期多序列交互。然后在某个时间点对每个客户推荐下一个最佳行动,以改变他们的状态,实现最佳决策目标。我们的研究展示了多序列交互的个性化深度学习和复杂系统中个性化决策的自动动态干预的潜力。
2021-08-19 cs.AI cs.LG cs.NE
Targeted Active Learning for Bayesian Decision-Making
Aalto University(阿尔托大学);University of Manchester(曼彻斯特大学)
在监督学习中,主动学习通常用于获取信息数据点的标签,以样本有效的方式最大限度地提高准确性。然而,当结果用于决策时,例如在个性化医疗或经济学中,最大限度地提高准确性并不是最终目标。我们认为,当连续获取样本时,分离学习和决策是次优的,我们引入了一个主动学习策略,该策略考虑到了线下决策问题。具体来说,我们引入了一种新的主动学习标准,最大限度地提高预期的信息增益的后验分布的最优决策。我们将我们的目标主动学习策略与模拟和真实数据上的现有替代方案进行了比较,并在决策准确性方面表现出更好的性能。
2021-10-20 cs.AI cs.LG stat.ML
Intention-Aware Decision-Making for Mixed Intersection Scenarios
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出面向无信号行人过街场景的白盒意图感知决策,结合黑盒意图检测、白盒可追溯决策与粒子群自动参数化,实现类人、防死锁且低算力的 AV 交互。
2023-03-29 cs.AI cs.SY eess.SY
Quantum Structures in Human Decision-making: Towards Quantum Expected Utility
School of Business(商学院);Centre IQSCS(IQSCS中心)
{ \it Ellsberg思想实验}和Ellsberg偏好的实证证实对{ \it主观预期效用理论}(SEUT)构成了严峻的挑战。我们最近阐述了一个量子理论框架下的人类决策的不确定性,令人满意的处理埃尔斯伯格悖论和SEUT的其他难题。我们在这里应用量子理论框架的{ \it埃尔斯伯格两瓮的例子},表明悖论可以解释假设的状态变化的概念实体的对象的决定({ \it决策},或{ \it DM},{ \it实体})和表示主观概率的量子概率。我们还在上述理论框架内对我们在DM测试中收集的人类参与者的经验数据进行了建模。所获得的结果是相关的,因为它们提供了一条线来模拟现实生活,例如,金融和医疗决策,显示出与双瓮实验相同的经验模式。
2018-10-29 cs.AI econ.GN q-bio.NC
Discrete Route/Trajectory Decision Making Problems
Inst. for Information Transmission Problems, Russian Academy of Sciences(信息传输问题研究所,俄罗斯科学院)
本文研究了复合多阶段决策问题,旨在设计从初始决策状态到目标决策状态的路径或轨迹。通过汽车路线问题作为基本物理隐喻,探讨了离散操作/状态设计空间(如有向图)中的多种决策问题,并在教育、医学和经济等领域应用。
2015-08-16 cs.AI cs.SY eess.SY
Structured AI Decision-Making in Disaster Management
针对安全关键领域AI自主决策的伦理与可靠性需求,本文提出灾害管理场景下的结构化决策框架,引入Enabler智能体等概念,实验证明其稳定性与准确率均优于传统判断系统和有经验的人类操作者。
2025-09-01 cs.AI cs.CY cs.SY