Decision-making algorithm based on the energy of interval-valued fuzzy soft sets
Faculty of Science, University of Kragujevac(克拉古耶瓦茨大学理学院)
本文提出基于区间值模糊软集能量的决策算法,引入悲观与乐观能量,通过实例验证其在不确定性决策中的有效性,并与其他方法比较。
2024-05-17 cs.AI
Hybrid Grey Interval Relation Decision-Making in Artistic Talent Evaluation of Player
Center of Natural Sciences, University of Sciences(科学院自然科学中心);College of Economics and Management, Nanjing University of Aeronautics and Astronautics(南京航空航天大学经济与管理学院);Pyongyang musical University(平壤音乐大学)
本文提出了一种灰色区间关联TOPSIS决策方法,该方法中所有属性的权重和属性值均由区间灰数给出。本文采用区间灰数确定各指标的主、客观权重,并分别采用灰色TOPSIS法的相对贴近度、灰色关联法的相对贴近度和二维欧氏距离最大熵估计法的相对贴近度等4种方法进行决策。最后,通过一个多属性决策的例子,说明了该方法的实用性。
2012-07-17 cs.AI
A Unified Framework for Nonmonotonic Reasoning with Vagueness and Uncertainty
Indian Statistical Institute(印度统计研究所);Jadavpur University(贾达夫普尔大学)
针对模糊和不确定信息下的非单调推理问题,提出了一种区间值模糊答案集规划方法。$[0,1]$的子区间集被认为是真值空间。使用基于前序的真值和知识排序对区间进行排序。基于前序的排序是基于双格的排序的增强版本。该系统可以表示和推理优先规则,规则与例外。提出了一种计算答案集的迭代法。利用差分方程的概念,给出了一类逻辑程序迭代终止的充分条件。
2020-08-05 cs.AI
Decision Making with Interval Influence Diagrams
Rockwell Science Center(罗克韦尔科学中心)
在以前的工作(Fertig和Breese,1989; Fertig和Breese,1990)中,我们定义了一种机制,用于使用区间而不是点值概率在影响图中执行概率推理。在本文中,我们扩展这些程序,将决策节点和区间值价值函数的图。我们推导出机会节点删除(计算预期值)和决策节点删除(优化)的影响图中的概率下限存储在每个机会节点和区间界限存储在与图的值节点相关的价值函数的程序。该算法的输出是每个决策变量的一组可接受的替代方案和一组基于输入中的不精确性的期望值的界限。该过程可以被看作是一个完整的e维灵敏度分析的近似,其中n是输入中不精确的概率分布的数量。我们证明了变换是最优的和合理的。的影响图的算法的性能进行了研究,并比较精确的算法。
2013-03-27 cs.AI
Reasoning about the Value of Decision-Model Refinement: Methods and Application
Stanford University(斯坦福大学);Rockwell International Science Center(罗克韦尔国际科学中心);National University of Singapore(新加坡国立大学)
我们调查的价值,沿着不同维度的细化扩展的决策模型的完整性。具体来说,我们分析了决策模型的定量,概念和结构细化的期望值。我们举例说明了细化的关键维度。模型细化的价值分析可用于将分析者或自动推理系统的注意力集中在与最大期望值相关联的决策模型的扩展上。
2013-03-06 cs.AI
Decision-Theoretic Foundations for Causal Reasoning
我们提出了一个定义的原因和影响的决策理论的原语,从而提供了一个原则性的基础因果推理。我们的定义偏离了因果关系的传统观点,因为因果断言可能会随着可用的决策集而变化。我们认为,这种方法提供了更清晰的概念的原因。此外,在本文中,我们研究的编码因果关系的有向无环图。我们描述了一类特殊的影响图,那些在规范形式,并显示其关系到珍珠的代表性的原因和效果。最后,我们展示了规范形式如何促进反事实推理。
1995-12-01 cs.AI
Exact Reasoning Under Uncertainty
Stanford University(斯坦福大学)
本文的重点是设计专家系统,以支持决策在复杂的,不确定的环境。在这种情况下,我们的研究表明,严格的概率表示,使决策理论推理的使用,是非常可取的,最近提出的替代方案(例如,模糊集理论和Dempster-Shafer理论)。此外,我们还讨论了语言的影响图和相应的方法-决策分析-使决策理论被有效地和高效地用作决策辅助。最后,我们使用RACHEL,一个系统,帮助不孕夫妇选择医疗,说明决策分析的方法,作为专家决策系统的基础。
2013-03-27 cs.AI
Integrating Logical and Probabilistic Reasoning for Decision Making
Rockwell International Science Center(罗克韦尔国际科学中心);Stanford University(斯坦福大学)
我们描述了一种表示和一组推理方法,结合逻辑编程技术与概率网络表示的不确定性(影响图)。该技术强调复杂和不确定领域的概率和决策理论模型的动态构建和解决方案。给定一个查询,如果可能的话,会产生一个逻辑证明;如果不可能,会产生一个基于查询和决策域知识的影响图,并随后求解。一个统一的声明,一阶,知识表示相结合的逻辑,概率和决策理论推理的综合推理过程。
2013-03-27 cs.AI
Reasoning with Intervals on Granules
线性时间模型中的时间段的形式化通常基于区间的概念,区间可能包含也可能不包含其端点。这是不够的,当周期是写在粗粒度方面的事件考虑。例如,如何用{ \em years}间隔来表示两次世界大战之间的时期?本文提出了一种新的区间类型,既不是开的,也不是闭的,也不是开-闭的,并对这种新的区间类型的运算进行了扩展,以缩小与时间关系相关的话语与其转换为离散化的时间模型之间的差距。
2006-07-12 cs.AI cs.DM
Knowledge Structures and Evidential Reasoning in Decision Analysis
Schlumberger Palo Alto Research(斯伦贝谢帕洛阿尔托研究院);University of California, Berkeley(加州大学伯克利分校)
决策因素在复杂决策过程中的作用表现为这些因素如何影响决策的整体性。评估部分匹配因素的证据,然后将有效的计算规则应用于这些角色,以形成证据的适当聚合。这种技术的使用支持表达更深层次的因果关系,也可以保持决策者的认知结构比通常的加权方法,确定性因素或其他概率模型可以更好。
2013-03-27 cs.AI
Finding the Evidence: Discovering Decision-Supporting Tokens for On-Policy Reasoning Distillation
Meituan Longcat Team(美团Longcat团队);Nanjing University(南京大学);TJUNLP Lab, College of Intelligence and Computing, Tianjin University(天津大学智能与计算学部TJUNLP实验室)
提出DEAR方法,通过学生熵识别决策点,利用隐状态余弦相似性和师生差异发现证据令牌,在数学和代码基准上提升推理蒸馏效果。
2026-06-23 cs.AI
Correct Reasoning Paths Visit Shared Decision Pivots
New York University(纽约大学);Amazon(亚马逊);University of Washington(华盛顿大学);UC Irvine(加州大学欧文分校)
本文提出了一种基于决策枢纽的自训练方法,通过挖掘共享决策点提升大语言模型的推理能力。
2026-02-07 cs.AI
An extended MABAC for multi-attribute decision making using trapezoidal interval type-2 fuzzy numbers
National Institute of Technology, Durgapur(杜尔加布尔国家理工学院)
在本文中,我们试图扩展多属性边界近似区域比较(MABAC)方法的多属性决策(MADM)问题的基础上,类型2模糊集(IT2FS)。作为IT 2FS的特殊情况,本文采用区间2型梯形模糊数(IT 2TrFN)来处理许多实际评估和选择问题中存在的不确定性。在当前的研究中,提出了基于IT2TrFN的MABAC的系统描述。以某软件公司招聘系统分析工程师为例,说明了该方法的有效性和可行性。最后,与其他两个现有的MADM方法进行了比较。
2016-12-02 cs.AI
Evidential supplier selection based on interval data fusion
Northwestern Polytechnical University(西北工业大学)
供应商选择是一个典型的多准则决策问题,不可避免地存在大量的不确定信息。针对这一问题,提出了一种基于区间数据融合的新方法.我们的方法遵循原来的方式来产生经典的基本概率分配(BPA)的证据之间的距离确定。然而,准则的权重保持为区间数,以生成区间BP算法并进行区间BP算法的融合。最后根据得到的区间BP算法对排序结果进行排序和决策。最后通过供应商选择的算例验证了该方法的可行性和有效性。针对多准则决策问题,提出了一种新的方法,其中准则或专家的权重用模糊数据(如语言项或区间数据)来描述。
2017-03-06 cs.AI
A decision-support system applied to Law: Reasoning and explainability of the decision
CNRS(法国国家科学研究中心);IRIT(图卢兹计算机研究所)
本文提出一个面向执法机构的法律决策支持框架,利用符号AI和SPARQL进行法律推理,并生成决策理由,在推理不充分时通过决策树向用户请求额外信息,以增强可解释性。
2026-09-29 cs.AI
An AI Monkey Gets Grapes for Sure -- Sphere Neural Networks for Reliable Decision-Making
Phillips Academy Andover(安多弗菲利普斯学术 academy)
本文提出球神经网络,通过在n维球面上嵌入概念,实现可靠决策,能掌握16种三段论任务。
2026-01-01 cs.AI
Multicriteria Group Decision-Making Under Uncertainty Using Interval Data and Cloud Models
在这项研究中,我们提出了一个多准则群体决策(MCGDM)算法下的不确定性数据收集的时间间隔。所提出的MCGDM算法聚集的数据,确定最佳的权重标准和排名的替代品,没有进一步的输入。这些时间间隔使专家能够灵活地对照标准评估替代办法,并提供了获得最大信息的机会。我们还提出了一种新的方法来聚合专家的判断,使用云模型。我们引入了一个实验方法来检查聚合方法的有效性。之后,我们使用聚合方法的MCGDM问题。在这里,我们找到了最佳的权重为每个标准,提出了一个双层优化模型。然后,我们扩展了技术的偏好顺序的相似性,理想的解决方案(TOPSIS)的数据的基础上云模型的优先选择。因此,该算法可以从不同程度的不确定性的决策者获得信息,并检查没有更多的决策者的信息的替代品。通过对一个网络安全问题的实例分析,验证了MCGDM算法的可行性和有效性。通过灵敏度分析和与其他已有算法的比较,验证了所提出的MCGDM算法的鲁棒性和有效性。
2020-12-01 cs.AI
An Interval-Valued Utility Theory for Decision Making with Dempster-Shafer Belief Functions
Université de Technologie de Compiègne(贡比涅技术大学);CNRS(法国国家科学研究中心);Shanghai University(上海大学);Institut Universitaire de France(法国大学研究院);University of Kansas(堪萨斯大学)
本文的主要目标是描述一个公理效用理论的Dempster-Shafer信念函数彩票。所使用的公理框架类似于Luce和Raiffa所描述的冯·诺伊曼-摩根斯坦的概率彩票效用理论。与概率的情况下,我们的公理框架导致区间值的效用,因此,部分(不完整)的偏好顺序的所有信念函数彩票。如果我们使用的信念函数参考彩票是贝叶斯信念函数,那么我们的表示定理与Jaffray的线性效用理论的表示定理相吻合。我们说明了我们的代表定理,使用文献中讨论的一些例子,我们提出了一个简单的模型,用于评估效用的基础上的区间值悲观指数代表决策者的态度模糊性和不确定性。最后,我们将我们的决策理论与Jaffray,Smets,Dubois等人提出的决策理论进行了比较,江和谢诺伊还有谢弗
2020-06-18 cs.AI
Diagnosing and Improving Probabilistic Reasoning in Large Language Models
Northwestern University(西北大学)
本文提出决策理论框架,将LLM决策损失分解为信念形成与行动优化,通过合成基准诊断概率推理,发现联合干预信念与决策可改进性能但依赖格式匹配。
2026-11-06 cs.AI
Learning and Reasoning for Robot Sequential Decision Making under Uncertainty
SUNY Binghamton(纽约州立大学宾汉姆顿分校);University of Indianapolis(印第安纳波利斯大学)
机器人经常面临需要多个动作的复杂任务,其中顺序决策(SDM)功能变得必要。这项工作的关键贡献是一个机器人SDM框架,称为LCORPP,支持同时的能力,监督学习被动状态估计,自动推理与人类知识的陈述,并规划下实现长期目标的不确定性。特别是,我们使用一个混合推理范式来完善的状态估计,并提供信息先验的概率规划。在实验中,移动机器人的任务是估计人类的意图,使用他们的运动轨迹,声明性的上下文知识,和人机交互(基于对话和基于运动)。结果表明,在效率和准确性,我们的框架表现优于其无学习和无推理的办公环境。
2019-12-10 cs.AI
Decision Making "Biases" and Support for Assumption-Based Higher-Order Reasoning
Decision Science Consortium, Inc.(决策科学联盟公司)
人类的决策似乎系统地违反了规范理论所施加的一致性约束,这些偏见反过来又证明了正式的决策分析模型的应用是合理的。有人认为,这两种说法都是错误的。特别是,我们将认为,“确认偏见”是基于一个过于狭隘的观点,如何相互矛盾的证据是,应该被处理。有效的决策辅助应侧重于支持控制过程,通过控制过程,知识被扩展到新的情况,并在其中采用,利用和修改假设。非单调概率论者代表了这种援助的初步工作。
2013-03-27 cs.AI
Semantic DMN: Formalizing and Reasoning About Decisions in the Presence of Background Knowledge
Free University of Bozen-Bolzano(博尔扎诺自由大学);University of Tartu(塔尔图大学)
决策模型和表示法(DMN)是最近的OMG标准,用于决策模型的获取和表示,以及管理它们与业务流程的互连。DMN建立在决策表的概念上,并将其组合成更复杂的决策需求图(DRG),它在业务流程模型和决策逻辑模型之间架起了桥梁。DRG可能依赖于额外的外部业务知识模型,其功能不是标准的一部分。在这项工作中,我们认为最重要的类型之一的业务知识,即背景知识,在概念上占的结构方面的领域的利益,并提出决策知识库(DKB),它在语义上结合DRGs建模DMN,和领域知识捕获的一阶逻辑与datashees。我们提供了一个基于逻辑的语义这样一个集成,并形式化不同的DMN推理任务的DKB。然后,我们认为背景知识制定为一个描述逻辑本体与datashees,并显示如何在这个丰富的设置DMN的主要验证任务,可以形式化为标准的DL推理服务,并实际上进行了ExpTime。我们讨论了我们的框架在海事安全的案例研究的有效性。
2018-09-14 cs.AI
MedGuideX: Internalizing Decision Logic from Executable Guidelines into Large Language Models for Clinical Reasoning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Albert Einstein College of Medicine(爱因斯坦医学院)
提出一种将临床实践指南转化为可执行决策逻辑并生成事实与反事实问答数据的训练流程,通过微调医学大语言模型得到MedGuideX,在四个临床推理基准上平均准确率相对提升10.28%,且医生评估显示其推理步骤更优。
2026-05-26 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
Towards Safer Large Reasoning Models by Promoting Safety Decision-Making before Chain-of-Thought Generation
Southeast University, China(东南大学,中国);The University of Queensland, Australia(昆士兰大学,澳大利亚);Nanyang Technological University, Singapore(南洋理工大学,新加坡)
本文提出在链式思考生成前促进安全决策的方法,提升大推理模型的安全性同时保持推理性能。
2026-03-18 cs.AI
Reasoning Can Be Restored by Correcting a Few Decision Tokens
University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
本文研究了基础模型在生成过程中推理优势的稀疏性,提出了一种基于分歧指导的标记干预方法,在少量干预下显著恢复甚至超越了同规模推理模型的性能。
2026-05-16 cs.AI
MoralReason: Generalizable Moral Decision Alignment For LLM Agents Using Reasoning-Level Reinforcement Learning
针对大语言模型智能体的分布外道德对齐难题,本文提出基于推理级强化学习的MoralReason方法,构建Moral-Reason-QA数据集并采用复合奖励的GRPO训练,实现了未见过场景下的道德决策对齐能力提升。
2025-11-15 cs.AI
ARGORA: Orchestrated Argumentation for Causally Grounded LLM Reasoning and Decision Making
School of EE, KAIST, Daejeon, South Korea(韩国科学技术院电子工程学院);S2W Inc., Pangyo, South Korea(S2W公司)
ARGORA通过构建因果论证图,提升大语言模型在因果推理和决策中的准确性与修正能力。
2026-01-29 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
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
Large Decision Models: Repurposing Large Language Models as Single-Pass Decision Makers
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学);University of Pennsylvania(宾夕法尼亚大学);University of Rochester(罗切斯特大学)
该研究提出大型决策模型(LDMs),通过多样化决策监督和自设推理蒸馏优化,在DecisionVista数据集上提升了决策准确率并大幅降低延迟,还设计了置信度路由以平衡性能与效率。
2026-10-14 cs.AI
ClarifAI: Enhancing AI Interpretability and Transparency through Case-Based Reasoning and Ontology-Driven Approach for Improved Decision-Making
Human-Centric eXplainable Intelligence Lab (hcXiL) Computer Science Department(CSCI), Saint John's University (CSBSJU)(以人为本的可解释智能实验室(hcXiL)计算机科学系,圣约翰大学)
本研究提出ClarifAI方法,结合基于案例的推理与本体驱动方法,为AI驱动应用提供详尽的解释机制,旨在增强AI系统的透明度与可解释性,以支持高风险环境下的关键决策制定。
2025-07-15 cs.AI
Reasoning-Based AI for Startup Evaluation (R.A.I.S.E.): A Memory-Augmented, Multi-Step Decision Framework
University of Oxford(牛津大学);Vela Research(维拉研究院)
该研究提出R.A.I.S.E.框架,结合决策树可解释性与LLM推理能力,通过思维链提示生成推理日志并提炼为规则,集成多增强功能,在创业数据集上精度提升54%,为高风险领域可解释决策奠定基础。
2025-04-16 cs.AI
ORDDAR: Observation-Driven Reasoning for Distortion-Resilient Decision, Action, and Cognitive Recovery
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校);Google Research(谷歌研究院)
本研究提出ORDDAR推理框架,通过局部认知状态转换检测、失真定位与针对性修复,提升了多类推理任务的质量、恢复能力与可解释性。
2026-09-01 cs.AI cs.LG
Technical Report on the Learning of Case Relevance in Case-Based Reasoning with Abstract Argumentation
Imperial College London(伦敦帝国学院)
本文研究在法律案例推理中结合抽象论证与决策树自动学习案例相关性,实验表明该方法在两个法律数据集上具有竞争力,并能生成更紧凑、更易解释的表示。
2023-10-30 cs.AI
An Identifiable Cost-Aware Causal Decision-Making Framework Using Counterfactual Reasoning
Guangdong University of Technology(广东工业大学);Huawei(华为)
针对异常条件下决策忽视成本与因果机制不足的问题,提出MiCCD框架,利用因果图代理模型、可识别反事实推理和SLSQP优化最小成本干预,并在多类数据集上验证优于传统方法。
2025-05-13 cs.AI
The Choquet integral for the aggregation of interval scales in multicriteria decision making
Thales Research & Technology(泰勒斯研究与技术公司);University of Paris VI(巴黎第六大学)
本文讨论的问题,哪些模型适合与信息的决策者的偏好,在每个属性,他的偏好聚集的标准(相互作用的标准)。我们表明,这些信息加上一些直观的条件导致一个独特的可能的聚合算子:Choquet积分的条件。
2008-04-10 cs.AI cs.DM
Simulate, Reason, Decide: Scientific Reasoning with LLMs for Simulation-Driven Decision Making
Computer Science and Engineering University of Michigan(计算机科学与工程大学密歇根大学)
提出MechSim框架,通过神经符号推理使LLM能够推理科学模拟器的机制和假设,提升决策透明度和可靠性。
2026-06-03 cs.AI
Integration of Rule Based Expert Systems and Case Based Reasoning in an Acute Bacterial Meningitis Clinical Decision Support System
Universidad Católica del Uruguay(乌拉圭天主教大学)
本文介绍了一个应用于急性细菌性脑膜炎的医疗诊断系统的开发进行的研究结果,使用基于案例的推理方法。研究的重点是适应阶段的实现,从基于案例的推理和基于规则的专家系统的集成。在这个适应阶段,我们使用了一个更高级别的RBC,它存储并允许重新利用变化经验,并结合了一个经典的基于规则的推理引擎。为了考虑最明显的临床情况,使用规则引擎来实现预诊断阶段,该规则引擎在给定明显情况的情况下发出相应的诊断并且避免完整的过程。
2010-03-07 cs.AI
MindPower: Enabling Theory-of-Mind Reasoning in VLM-based Embodied Agents
Jilin University(吉林大学);National Taiwan University(台湾大学);Microsoft Research Asia(微软亚洲研究院)
MindPower通过整合感知、心理推理、决策和行动,使基于视觉语言的具身智能体具备心智理论推理能力,并在决策和行动生成上超越GPT-4o。
2026-02-24 cs.AI
Enhancing LLM Reasoning for Time Series Classification by Tailored Thinking and Fused Decision
Sun Yat-Sen University(中山大学);University of California, Berkeley(加州大学伯克利分校)
本文提出ReasonTSC框架,通过定制化多轮推理和融合即插即用分类器决策,增强大语言模型在时间序列分类中的推理能力,实验证明其优于现有基线并能纠正错误预测。
2025-06-01 cs.AI
Rational Nonmonotonic Reasoning
University of Illinois(伊利诺伊大学)
非单调推理(Nonmonotonic reasoning)是一种推理模式,允许代理人从不确定的证据中做出和撤回(暂定)结论。基于标准决策理论和新兴的概率逻辑,给出了非单调推理问题的可能世界解释。该系统的核心原则是,一个初步的结论是一个决定,使一个赌注,而不是一个断言的事实。这个系统是合理的,就像其基础概率日志的证明理论一样可靠。
2013-03-27 cs.AI
Humans and AI respond similarly to task difficulty when reasoning about content moderation dilemmas
Department of Sociology(社会学系);Rutgers University–New Brunswick(罗格斯大学-新布朗斯维爾)
本研究发现AI推理努力与人类决策时间存在相关性,揭示了推理痕迹在提升可解释性和决策制定中的潜力。
2026-11-18 cs.AI cs.CY
Random Graph Set and Evidence Pattern Reasoning Model
Institute of Fundamental and Frontier Science, University of Electronic Science and Technology of China(电子科技大学基础与前沿研究院);China Mobile Information Technology Center(中国移动信息技术中心);School of Medicine, Vanderbilt University(范德堡大学医学院)
针对现有证据决策模型缺乏偏好、随机排列集合难以刻画复杂样本关系的问题,提出证据模式推理模型与随机图集合,经飞行器速度排序实验验证可有效提升决策效果,为证据决策提供统一方案。
2024-03-09 cs.AI
Argumentative Human-AI Decision-Making: Toward AI Agents That Reason With Us, Not For Us
New Mexico State University(新墨西哥州立大学);King's College London(伦敦国王学院);Imperial College London(伦敦帝国学院);Washington University in St. Louis(圣路易斯华盛顿大学)
本文探讨论证型人机决策的新范式,结合论证框架挖掘、合成与推理,使AI代理能与人类进行辩证互动,提升高风险领域的人工智能可信度。
2026-03-16 cs.AI
PACE: Policy-Native Adaptive Decision Timing for Long-Horizon Reasoning
Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种可学习的状态条件化承诺深度方法,用于长时间视觉-语言推理任务,通过动态调整承诺深度,提高了求解率并减少了基本动作数量,优于固定深度基线和现有模型。
2026-10-01 cs.AI
CivRealm: A Learning and Reasoning Odyssey in Civilization for Decision-Making Agents
National Key Laboratory of General Artificial Intelligence, BIGAI(通用人工智能国家重点实验室(BIGAI));Peking University(北京大学);BUPT(北京邮电大学)
针对现有交互环境重学习轻推理的问题,本文提出受《文明》启发的决策智能体环境CivRealm,其具备不完全信息、玩家数动态变化等复杂特性,为两类智能体提供接口,初步实验显示现有RL和LLM智能体在完整游戏中进展有限,为智能体学习与推理研究提供新挑战。
2024-03-12 cs.AI
Analysis and Extension of the Evidential Reasoning Algorithm for Multiple Attribute Decision Analysis with Uncertainty
Northwestern Polytechnical University(西北工业大学)
在多属性决策分析(MADA)问题中,往往需要处理具有不确定性的评价信息。证据推理方法是处理此类MADA问题的有效方法之一。作为证据推理方法的核心,Yang等人首先提出了一个原始的证据推理(ER)算法,然后他们对ER算法进行了改进,以满足所提出的四个合成公理,而这四个公理是一个合理的聚集过程所需要满足的。然而,到目前为止,这两种ER算法的本质区别以及综合公理的合理性仍然不清楚。本文在Dempster-Shafer理论(DST)框架下对ER算法进行了分析,证明了原ER算法遵循可靠性折扣和组合方案,而改进的ER算法遵循重要性折扣和组合方案。进一步揭示了这四个综合公理并不是检验一个属性聚合算法合理性的有效准则。在此基础上,提出了一种扩展的ER算法,该算法综合考虑了属性的可靠性和重要性,为不确定性MADA提供了一种更通用的属性聚合方案.以摩托车性能评估问题为例说明了该算法的有效性。
2019-03-28 cs.AI
SKG-VLA: Scene Knowledge Graph Priors for Structured Scene Semantics and Multimodal Reasoning for Decision Making
Beijing University of Posts and Telecommunications(北京邮电大学)
SKG-VLA通过构建场景知识图谱,提升多模态投诉决策的推理能力与准确性,采用三阶段训练策略注入结构化场景先验。
2026-05-10 cs.AI
Position: Collusion Risks Among AI Reasoning Agents Justify Certification Requirements for Making Market Decisions
该研究指出具备思维链推理能力的AI智能体易出现合谋倾向,提出需对其进行行为认证,实验显示DeepSeek-R1智能体在伯特兰寡头定价场景中存在默契合谋,且其思维链可被隐蔽引导至合谋或竞争状态。
2026-08-20 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
Driving with Regulation: Trustworthy and Interpretable Decision-Making for Autonomous Driving with Retrieval-Augmented Reasoning
针对传统自动驾驶决策方法难以适配复杂、地域差异化交通规则的问题,本文提出融合RAG检索智能体与LLM推理智能体的可解释决策框架DriveReg,构建专属场景数据集验证了其跨环境的优异性能与鲁棒性。
2025-11-19 cs.AI
On rho in a Decision-Theoretic Apparatus of Dempster-Shafer Theory
Thomas M. Strat开发了一种用于Dempster-Shafer理论的决策理论装置(Decision analysis using belief functions,Intern. J.近似值原因的4(5/6),391-417,1990)。在该装置中,针对不同的选择构造期望效用区间。具有最高期望效用的选择比其他选择更可取。然而,当一个选择的期望效用区间包含在另一个选择的期望效用区间中时,要找到首选选择,就必须在区间中插入一个识别点。这是通过参数ρ来完成的,ρ被定义为每个非单点焦元的效用的模糊性将变得尽可能有利的概率。如果有几个不同的决策者,我们有时可能更感兴趣的是在决策者中拥有最高的预期效用,而不是只试图最大化我们自己的预期效用,而不管其他决策者的选择。每个选择的偏好由产生最高期望效用的概率决定。该概率等于rho的最大区间长度,在该区间长度下,备选方案是优选的。在这里,我们不仅必须考虑其他决策者已经做出的选择,而且还必须考虑我们可以假设的后来的决策者做出的理性选择。在斯特拉特仪器中,必须对ρ的值做出一个假设,而这个假设是没有证据支持的。我们证明,没有这样的假设是必要的。假设rho的概率分布是均匀的,就足以辨别出最优的选择。我们讨论这种方法何时是合理的。
2003-05-16 cs.AI
ReSS: Learning Reasoning Models for Tabular Data Prediction via Symbolic Scaffold
Department of Computer Science & Engineering, Texas A&M University(德克萨斯A&M大学计算机科学与工程系);Department of Computer Science, University of Florida(佛罗里达大学计算机科学系)
本文提出ReSS框架,通过符号支架结合神经推理模型,提升表格数据预测的准确性和可解释性,实验表明其在医疗和金融领域优于传统决策树和标准微调方法。
2026-05-19 cs.AI