Program Synthesis Dialog Agents for Interactive Decision-Making
Columbia University（哥伦比亚大学）；Amazon（亚马逊）；Sciences Po Paris（巴黎社会科学高等研究院）
针对现实资格判定问题，提出交互决策基准BeNYfits，并引入ProADA方法，通过将对话规划映射为代码生成问题并利用结构化数据空缺确定下一步行动，有效缓解语言模型幻觉，在保持对话轮数的同时显著提升F1分数。
2025-11-04 cs.AI
Interactive Decision Making for Autonomous Vehicles in Dense Traffic
Honda Research Institute USA（本田美国研究院）
密集的城市交通环境可能会产生准确的预测和动态模型不足以成功进行自动驾驶车辆运动规划的情况。我们调查如何一个自主智能体可以安全地与其他交通参与者进行谈判，使代理处理潜在的死锁。具体来说，我们考虑合并的地方，汽车之间的差距小于自我车辆的大小。我们提出了一个能够生成和响应交互行为的博弈论框架。我们的主要贡献是展示如何游戏树决策可以由自动驾驶汽车执行，包括近似和推理，使树搜索计算上容易处理。此外，为了测试我们的模型，我们开发了一个随机的基于规则的交通代理能够生成交互式的行为，可以作为一个基准，用于模拟交通参与者在拥挤的合并设置。
2019-09-27 cs.AI cs.RO
Solving Asymmetric Decision Problems with Influence Diagrams
UBC（不列颠哥伦比亚大学）；RUST；Canadian Institute for Advanced Research（加拿大高等研究院）
虽然影响图作为贝叶斯决策问题的表示框架有许多优点，但它们在处理非对称决策问题时有严重的缺点。为了在影响图中表示，非对称决策问题必须对称化。用传统的算法计算对称化影响图时，可能涉及到大量不必要的计算。在本文中，我们提出了一种方法，以避免这种不必要的计算影响图评估。
2013-02-27 cs.AI
Interactive Example-based Explanations to Improve Health Professionals' Onboarding with AI for Human-AI Collaborative Decision Making
Singapore Management University（新加坡管理大学）；Singapore General Hospital（新加坡综合医院）
提出交互式基于示例的解释方法，通过呈现最近邻样本协助健康专业人员入门AI，实验证明该方法能优化人员对AI的依赖并提高正确决策比例，降低错误决策比例。
2024-09-24 cs.AI cs.HC cs.LG
Risk level dependent Minimax Quantile lower bounds for Interactive Statistical Decision Making
针对交互式统计决策中极小极大风险忽视罕见失败的问题，提出高概率Fano与Le Cam工具，推导风险水平显式的极小极大分位数下界，并应用于双臂高斯赌博机恢复最优速率。
2025-10-07 cs.AI cs.IT math.IT
NAIL: A General Interactive Fiction Agent
Microsoft Research（微软研究院）；Apple（苹果公司）
交互式小说（IF）游戏是复杂的文本决策问题。本文介绍了NAIL，一个自主智能体的一般分析器为基础的IF游戏。NAIL赢得了2018年文本冒险AI竞赛，在那里它被评估了20个看不见的游戏。本文介绍了架构，发展和见解支撑NAIL的性能。
2019-02-14 cs.AI
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
InteraSSort: Interactive Assortment Planning Using Large Language Models
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对门店品类规划中因复杂性及规划师缺乏优化能力导致的决策延误问题，提出交互式框架InteraSSort，利用大型语言模型结合优化工具，通过对话式界面协助用户输入目标与约束，实现精准定制化的品类决策。
2024-01-09 cs.AI
Information/Relevance Influence Diagrams
The University of Tampa（坦帕大学）
在本文中，我们扩展的影响图（ID）表示的不确定性下的决策。在标准ID中，指向决策节点的箭头只是信息性的;它们并不代表对决策者可以做什么的约束。我们只能间接地表示这样的约束，使用指向决策子项的箭头，有时还向影响图添加更多变量，从而使ID更加复杂。使用影响图的用户通常希望用箭头将约束表示为决策节点。我们通过允许相关性箭头进入决策节点来表示对决策的约束。我们称之为表示信息/相关性影响图（IRID）。信息/相关性影响图允许直接表示和规范的约束决策。我们使用随机动态规划和吉布斯抽样的组合来解决IRID。当求解ID的精确方法失败时，此方法特别有用。
2013-02-20 cs.AI
Dynamic programming in in uence diagrams with decision circuits
Stanford University（斯坦福大学）；IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
决策电路执行影响图的有效评估，建立在用于信念网络推理的算术电路的先进性上[Darwiche，2003; Bhattachar-jya和Shachter，2007]。我们展示了如何更紧凑的决策电路可以构造动态规划的影响图与可分离的价值函数和条件独立的子问题。一旦基于图的“全局”图形结构构建了决策电路，就可以对其进行编译，以利用“局部”结构进行有效评估和灵敏度分析。
2012-03-15 cs.AI
Team Behavior in Interactive Dynamic Influence Diagrams with Applications to Ad Hoc Teams
University of Georgia（佐治亚大学）；Teesside University（提赛德大学）；Queen’s University Belfast（贝尔法斯特女王大学）
特别团队的规划是具有挑战性的，因为它涉及代理在没有任何事先协调或沟通的情况下进行协作。重点是原则性的方法，为一个单一的代理人与他人合作。这激发了在个人决策框架的背景下调查特设团队合作问题。然而，在多智能体环境中的个人决策面临的任务是必须对其他智能体的行为进行推理，这反过来又涉及对他人的推理。一个已建立的近似操作这种方法是从下面的无限嵌套引入0级模型。我们表明，有限嵌套建模的后果是，我们可能无法获得最佳的团队合作设置的解决方案。我们通过包括0级模型来解决这个限制，这些模型的解决方案涉及学习。我们证明，学习集成到规划的背景下，互动的动态影响图促进最佳的团队行为，并适用于特设团队合作。
2014-09-01 cs.AI cs.MA
Two Procedures for Compiling Influence Diagrams
George Mason University（乔治梅森大学）
两个算法提出了“编译”成一组简单的决策规则的影响图。这些决策规则定义了易于执行、完整、一致和接近最优的决策过程。这些编译算法可用于人类团队解决时间约束决策问题的决策过程。
2013-03-06 cs.AI
Active Evidence-Seeking and Diagnostic Reasoning in Large Language Models for Clinical Decision Support
Tencent Youtu Lab（腾讯优图实验室）；Case Western Reserve University（凯斯西储大学）
研究探讨了大语言模型在临床决策支持中的主动证据获取与诊断推理问题，提出了一种基于OSCE的标准化患者模拟器和可控可复现的基准测试，发现多轮证据获取会降低诊断准确性并降低支持证据质量，表明静态全上下文基准可能高估交互证据获取场景中的性能，需引入互补的交互评估以提高临床决策安全性。
2026-05-21 cs.AI
Graphologue: Exploring Large Language Model Responses with Interactive Diagrams
University of California San Diego（加州大学圣地亚哥分校）
Graphologue通过将大语言模型的文本响应实时转换为可交互的节点-链接图，并支持用户调整图形和提交上下文提示，实现了人与LLM之间的图形化非线性对话，以提升复杂信息任务中的探索、组织与理解效率。
2023-08-04 cs.AI cs.CL cs.HC
"The Diagram is like Guardrails": Structuring GenAI-assisted Hypotheses Exploration with an Interactive Shared Representation
College of Information, University of Maryland USA（信息学院，马里兰大学美国分校）；IBM Research USA（IBM美国研究）
本研究通过设计探针实验，验证了节点-链接图作为共享表示，结合AI提示，能有效结构化假设探索，提升人机协作数据分析的广度与深度。
2025-04-21 cs.AI cs.HC
Evaluating influence diagrams with decision circuits
Stanford University（斯坦福大学）
虽然已经开发了一些相关的算法来评估影响图，利用图中的条件独立性，精确的解决方案仍然是棘手的许多重要问题。在本文中，我们引入决策电路作为一种手段，利用当地的结构通常发现的决策问题，并提高性能的影响图分析。这项工作建立在概率推理算法的基础上，使用算术电路来表示贝叶斯信念网络[Darwiche，2003]。一旦编译，这些算术电路有效地评估信念网络上的概率查询，并且已经开发了利用网络的全局和局部结构的方法。我们表明，决策电路可以以类似的方式构建，并承诺类似的好处。
2012-06-20 cs.AI
Welldefined Decision Scenarios
影响图作为一个强大的工具，对称决策问题建模。在求解影响图时，我们为所涉及的决策确定一组策略。决策变量的策略原则上是其过去的函数。然而，过去的一些可能与决策无关，并且出于计算原因，重要的是不要处理策略中的冗余变量。我们表明，目前的方法（如“决策贝叶斯球”算法由Shachter UAI98）不确定相关的过去，我们提出了一个完整的算法。实际上，本文采取了一个更一般的开始：当制定一个决策方案的影响图，一个线性的时间顺序的决策变量是必需的。这个约束确保了决策场景的定义是明确的。然而，决策场景的结构通常会产生条件独立的某些决策，因此没有必要对决策施加线性时间排序。在本文中，我们处理部分影响图，即影响图，只有一个部分时间顺序指定。我们提出了一组必要和充分的条件，以确保部分影响图是定义良好的。这些条件被用来作为一个基础，用于构建一个算法，以确定是否部分影响图是明确的。
2013-01-23 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
FdConfig: A Constraint-Based Interactive Product Configurator
Brandenburg University of Technology（勃兰登堡工业大学）
提出了一种基于约束的交互式产品配置方法。我们的配置工具FdConfig是基于特征模型的产品域的表示。这种模型可以直接映射成约束满足问题，并通过适当的约束求解器进行处理。在交互式配置过程中，用户根据其配置决策生成新的约束，甚至可能撤回之前发布的约束。我们将讨论配置过程，解释底层技术并展示优化。
2011-08-29 cs.AI
Beyond Uncertainty Reduction: Calibrated Planning for Interactive Diagnosis
Lanzhou University（兰州大学）；Hunan University（湖南大学）；National University of Singapore（新加坡国立大学）；City University of Hong Kong（香港城市大学）；The Ohio State University（俄亥俄州立大学）
该研究针对交互式医疗诊断漏诊重症的风险与长程规划缺失问题，提出严重程度感知共形临床规划框架，在DDXPlus和MediQ上提升了诊断准确性、鉴别质量并降低了高风险错误。
2026-10-19 cs.AI
Diversifying Agent's Behaviors in Interactive Decision Models
Shenzhen University（深圳大学）；Northumbria University（诺森比亚大学）
对其他主体行为的建模在多主体交互的决策模型中起着重要的作用。为了优化自己的决策，主体主体需要对其他主体在不确定环境中同时采取的行动进行建模。然而，当主体之间存在竞争关系，主体不能充分了解其他主体时，会出现建模不足的问题。即使当代理是合作的，他们可能不会分享他们的真实行为，由于他们的隐私问题。在这篇文章中，我们研究了多样化的行为，其他代理主体的决策模型之前，他们的相互作用。从其他代理的行为的先验知识开始，我们使用线性约简技术从已知的行为中提取代表性的行为特征。随后，我们通过扩展特征来生成它们的新行为，并提出了两个多样性度量来选择前K个行为。我们证明了新技术在两个研究良好的问题域的性能。这项研究将有助于在开放的人工智能世界中处理未知未知的智能系统。
2022-03-06 cs.AI cs.MA
SPUDD: Stochastic Planning using Decision Diagrams
University of British Columbia（不列颠哥伦比亚大学）
马尔可夫决策过程（MDP）作为决策理论规划的模型越来越受欢迎。虽然传统的动态规划方法对于状态空间较小的问题表现良好，但对于大型问题则需要结构化方法。我们提出并研究了一个MDP的值迭代算法，它使用代数决策图（ADD）来表示价值函数和策略。一个MDP表示使用贝叶斯网络和ADDs和动态规划直接应用于这些ADDs。我们证明了我们的方法在大型MDP（高达6300万个状态），并表明，显着的收益相比，树结构的表示（与高达30倍减少所需的节点数量表示最佳价值函数）。
2013-01-23 cs.AI
Tapilot-Crossing: Benchmarking and Evolving LLMs Towards Interactive Data Analysis Agents
The University of Hong Kong（香港大学）；Microsoft Research Asia（微软亚洲研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
针对交互式数据分析任务中LLM智能体评估缺乏真实交互数据的问题，研究提出新型基准Tapilot-Crossing及自适应交互反思策略AIR，实现最高44.5%的性能提升。
2024-03-08 cs.AI
Compiling Stochastic Constraint Programs to And-Or Decision Diagrams
Polytechnique Montréal（蒙特利尔理工学院）；Mila（Mila（魁北克人工智能研究所））
因子随机约束规划（FSCP）是描述不确定性多阶段决策问题的一种形式化方法。FSCP模型支持因子化概率模型，并涉及对决策和随机变量的约束。这些模型在实际问题中有许多应用。然而，解决这些问题需要为随机变量的每个可能结果评估最佳行动方案，因此在计算上具有挑战性。FSCP问题通常涉及重复的子问题，理想情况下应该解决一次。在本文中，我们将展示如何识别和利用这些相同的子问题可以简化解决它们，并导致一个紧凑的解决方案表示。我们编译一个与或搜索树到一个紧凑的决策图。初步实验表明，我们提出的方法显着提高了搜索效率，通过减少问题的大小，并优于现有的方法。
2019-09-23 cs.AI
Combining Propositional Logic Based Decision Diagrams with Decision Making in Urban Systems
解决多智能体问题可能是一项艰巨的任务，由于环境的不确定性，部分可观察性和手头问题的可扩展性。特别是在城市环境中，有更多的挑战，因为我们还需要保持所有用户的安全，同时最大限度地减少代理的拥塞以及他们的旅行时间。为此，我们解决了不确定性和部分可观测性下的多智能体寻路问题，其中智能体的任务是从起点移动到终点，同时还满足一些约束，例如，低拥塞，并将其建模为多智能体强化学习问题。我们使用命题逻辑编译域约束，并将其与RL算法相结合，以实现RL的快速模拟。
2020-11-10 cs.AI
IXAII: An Interactive Explainable Artificial Intelligence Interface for Decision Support Systems
TU Dortmund University（杜伊斯堡- Essen大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
针对现有可解释AI方法静态且忽略用户视角的局限，开发了名为IXAII的交互式可解释智能系统，融合四种可解释AI方法并为五类用户群体提供定制视图，显著提升了系统透明度与人机交互体验。
2025-06-26 cs.AI cs.SE
OntoInk: Interactive Ontology Visualization, Validation, and Reasoning
FIZ Karlsruhe – Leibniz Institute for Information Infrastructure（FIZ Karlsruhe – 莱布尼茨信息基础设施研究所）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
OntoInk 是一个开源 MkDocs 插件，在文档即代码流水线中整合本体可视化、SHACL 验证、OWL 推理与内联编辑，支持交互式图表嵌入，加速开发与知识传递。
2026-10-06 cs.AI cs.IR
TimberTrek: Exploring and Curating Sparse Decision Trees with Interactive Visualization
Georgia Institute of Technology（佐治亚理工学院）；Duke University（杜克大学）
鉴于成千上万个同样准确的机器学习（ML）模型，用户如何在其中进行选择？最近的ML技术使领域专家和数据科学家能够为稀疏决策树生成一个完整的罗生门集-一个几乎最优的可解释ML模型的巨大集合。为了帮助ML从业者从这个罗生门集合中识别具有理想属性的模型，我们开发了TimberTrek，这是第一个交互式可视化系统，它可以大规模总结数千棵稀疏决策树。两个使用场景强调了TimberTrek如何使用户能够轻松地探索、比较和策划与其领域知识和价值观相一致的模型。我们的开源工具直接在用户的计算笔记本和Web浏览器中运行，降低了创建更负责任的ML模型的障碍。TimberTrek可在以下公开演示链接中获得：https://poloclub.github.io/timbertrek。
2022-09-19 cs.AI cs.HC cs.LG
Graph Convolution-Based Deep Reinforcement Learning for Multi-Agent Decision-Making in Mixed Traffic Environments
Beijing Institute of Technology（北京理工大学）；Delft University of Technology（代尔夫特理工大学）；Nanyang Technological University（南洋理工大学）
智能交通系统中的互联自动驾驶车辆的安全、高效运行迫切需要一个高效、可靠的多智能体决策系统。目前的研究主要集中在深度强化学习（Deep Reinforcement Learning，DRL）方法。然而，在交互式交通场景中，由于缺乏交互信息，DRL方法难以表达不同车辆之间的相互影响，难以对动态交通环境进行建模，从而导致协同决策生成的准确性不高。为了解决这些困难，本研究提出了一个框架，使不同的图强化学习（GRL）方法的决策，并比较它们的性能在交互式驾驶场景。GRL方法将图神经网络（GNN）和DRL框架相结合，实现了自主车辆交互场景下更好的决策生成，其中GNN提取交互场景的特征，DRL框架生成协作行为。几个GRL方法进行了总结，并在建议的框架中实现。为了评价GRL方法的性能，构建了高速公路双匝道交互驾驶场景，并在SUMO平台上进行了仿真实验，对不同GRL方法的性能进行了评价。最后，从多个角度和维度对结果进行分析，比较不同GRL方法在智能交通场景中的特点。结果表明，GNN的实现能够很好地表征车辆之间的交互，GNN与DRL的结合能够提高换道行为生成的性能。我们工作的源代码可以在https://github.com/Jacklinkk/TorchGRL上找到。
2022-01-30 cs.AI cs.RO
The Decision-Theoretic Interactive Video Advisor
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Assumption University（易三仓大学）
为了帮助人们在大量的项目中进行选择，并通过大量的信息进行过滤，导致了大量的研究在建设个人推荐代理。在构建这样的代理的中心问题之一是表示和用户的喜好或兴趣的启发。这个主题在决策理论中已经研究了很长时间，但令人惊讶的是，在推荐系统领域很少有工作使用正式的决策理论技术。本文介绍了DIVA，一个决策理论代理推荐电影，包含了一些新的功能。DIVA使用项目之间的成对比较来表示用户偏好，而不是数字评级。它使用了一种新的相似性度量的基础上的概念，两个排序的项目之间的冲突的概率。该系统具有丰富的偏好表示，区分用户对电影的一般品味和他的直接兴趣。它采用了一种增量的方法来获取偏好，如果用户对推荐列表不满意，可以提供反馈。我们经验评估系统的性能，使用EachMovie协同过滤数据库。
2013-01-23 cs.AI cs.IR
Safe Exploration for Interactive Machine Learning
ETH Zurich（苏黎世联邦理工学院）
在交互式机器学习（IML）中，我们迭代地做出决策并获得未知函数的噪声观测。虽然IML方法，例如，贝叶斯优化和主动学习在实际应用中取得了成功，但在实际系统中，它们必须能够避免不安全决策。为此，安全的IML算法必须仔细学习先验未知的约束，而不做出不安全的决策。现有的算法对这个问题的学习所有决策的安全性，以确保收敛。这是样本效率低下的，因为它探索了与原始IML目标无关的决策。在本文中，我们介绍了一个新颖的框架，可以使任何现有的不安全IML算法变得安全。我们的方法可以作为一个附加组件，将建议的决策作为输入，并利用高斯过程的规律性假设，以便有效地了解它们的安全性。因此，我们只在IML问题需要时才探索安全集。我们将我们的框架应用于安全贝叶斯优化和安全探索确定性马尔可夫决策过程（MDP），之前已经分别进行了分析。我们的方法优于其他算法经验。
2019-10-30 cs.AI cs.LG cs.RO
A Novel Task-Driven Method with Evolvable Interactive Agents Using Event Trees for Enhanced Emergency Decision Support
Institute of Nuclear and New Energy Technology, Tsinghua University（清华大学核能与新能源技术研究院）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
针对突发紧急事件下人工应急决策的局限性，提出融合两类LLM智能体与事件树分析的EvoTaskTree方法，可从任务响应中学习，在核电站未遇事故场景下准确率达100%，显著提升应急决策效率。
2024-12-24 cs.AI cs.CL
Digital Human Interactive Recommendation Decision-Making Based on Reinforcement Learning
AntGroup（蚂蚁集团）；Damo Academy, Alibaba Group（阿里巴巴集团达摩院）
数字人推荐系统是为了帮助客户找到他们喜欢的产品而开发的，并在各种推荐环境中发挥着积极的作用。如何及时捕捉和学习客户的偏好动态，同时满足他们的确切要求，成为数字人类推荐领域的关键。为了充分利用数字人的特点和强化学习的灵活性，提高交互式推荐决策的效率，设计了一种基于强化学习（RL）的数字人交互式推荐代理框架。我们提出的框架通过最先进的RL算法，结合多模态嵌入和图嵌入，动态地通过数字人和客户之间的实时交互进行学习，以提高个性化的准确性，从而使数字人代理能够及时吸引客户的注意力。对真实业务数据的实验表明，我们的框架可以提供更好的个性化客户参与和更好的客户体验。
2022-11-04 cs.AI cs.IR cs.LG
Understanding the Effect of Out-of-distribution Examples and Interactive Explanations on Human-AI Decision Making
University of Chicago（芝加哥大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
尽管人工智能有望改善人类在社会关键领域的决策，但人类-人工智能团队如何在具有挑战性的预测任务（也称为互补性能）中可靠地超越人工智能和人类仍然是一个悬而未决的问题。我们探索两个方向，以了解在实现互补性能的差距。首先，我们认为典型的实验设置限制了人类-AI团队的潜力。为了解释由于分布偏移而导致的分布外AI性能低于分布内AI性能，我们设计了具有不同分布类型的实验，并研究了分布内和分布外示例的人类性能。其次，我们开发了新的界面来支持交互式解释，以便人类可以积极参与人工智能的帮助。使用虚拟试点研究和三个任务的大规模随机实验，我们证明了分布内和分布外之间的明显差异，并观察到交互式解释的混合结果：虽然交互式解释提高了人类对人工智能辅助有用性的感知，但它们可能会加强人类的偏见并导致有限的性能改善。总的来说，我们的工作指出了在人工智能辅助下提高人类绩效的关键挑战和未来方向。
2021-10-05 cs.AI cs.CY cs.HC
Ordered Functional Decision Diagrams: A Functional Semantics For Binary Decision Diagrams
Inria（法国国家信息与自动化研究所）
我们引入了一个新的框架，称为$λ$ DD，从纯功能的角度来看，重新访问二元决策图。该框架允许将已经存在的变体（包括最近的变体，如Chain-DD和ESRBDD）分类为一类特殊的有序模型的实现。我们列举，在一个原则性的方式，这个类的所有模型，并隔离其最具表现力的模型。这种新的模型称为$λ$ DD-O-NUCX，它既适用于稠密布尔函数，也适用于稀疏布尔函数，而且具有否定不变性。使用Coq证明助手正式验证了$λ$ DD-O-NUCX的规范性。此外，我们给出了不同图的大小的界限：更有表现力的模型所实现的潜在增益最多可以是变量数n的线性。
2020-07-21 cs.AI cs.LO
Interactive Sketchpad: A Multimodal Tutoring System for Collaborative, Visual Problem-Solving
Massachusetts Institute of Technology（麻省理工学院）
本文提出Interactive Sketchpad多模态辅导系统，结合语言解释与交互式可视化，通过微调预训练LMM提供图文逐步指导并生成准确图表，显著提升了学生在数学问题上的理解力、准确率和参与度。
2025-04-02 cs.AI cs.HC
Evaluating Scenario-based Decision-making for Interactive Autonomous Driving Using Rational Criteria: A Survey
James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）
本文综述了深度强化学习在高速公路、匝道合流、环岛和无信号交叉口等典型场景中的自动驾驶决策应用，并提出DDTUI五项理性准则对现有算法进行系统评估，指出未来研究方向。
2025-01-03 cs.AI cs.RO cs.SY
Augmenting Clinical Decision-Making with an Interactive and Interpretable AI Copilot: A Real-World User Study with Clinicians in Nephrology and Obstetrics
Peking University（北京大学）；University of Hong Kong（香港大学）；Hong Kong University of Science and Technology（香港科学与技术大学）；Peking University Third Hospital（北京大学第三医院）；Affiliated Xuzhou Municipal Hospital of Xuzhou Medical University（徐州医科大学附属徐州市人民医院）；University of Edinburgh（爱丁堡大学）；Health Data Research UK（英国健康数据研究）
AICare通过交互式和可解释的AI助手提升临床决策，通过实验证明其降低认知负荷并增强医生信任
2026-01-31 cs.AI cs.HC
MR-LDM -- The Merge-Reactive Longitudinal Decision Model: Game Theoretic Human Decision Modeling for Interactive Sim Agents
Global Center for Automotive Performance Simulation（全球汽车性能模拟中心）；Honda Research Institute, USA Inc.（本田研究院（美国公司））；Division of Data and Analytics, Virginia Tech Transportation Institute（弗吉尼亚理工运输研究所数据分析部门）
本文提出MR-LDM模型，将博弈论战术决策与底层动力学统一建模，通过改进收益函数和后车动作集合提升高速公路合流仿真的真实性与可解释性，并在真实数据和仿真环境中验证了其复现能力与计算效率。
2025-07-15 cs.AI cs.GT cs.MA
Decision Making for Autonomous Driving in Interactive Merge Scenarios via Learning-based Prediction
University of Surrey（萨里大学）
在与人类驾驶员共享的道路上行驶的自主智能体必须对交通参与者之间的微妙互动进行推理。这提出了一个高度挑战性的决策问题，因为人类行为受到多种因素的影响（例如，人类的意图和情感），很难建模。本文提出了一种自动驾驶的决策方法，专注于合并到移动交通中的复杂任务，其中不确定性来自其他驾驶员的行为和不完善的传感器测量。我们框架的问题作为一个部分可观察的马尔可夫决策过程（POMDP）和解决它的蒙特卡罗树搜索在线。POMDP的解决方案是执行高级别驾驶操作的策略，例如为接近的汽车让路，与前面的车辆保持安全距离或并入交通。我们的方法利用从数据中学习的模型来预测未来的交通状态，同时明确考虑周围代理之间的交互。根据这些预测，自动驾驶汽车可以预测其行为对环境的未来影响，并相应地优化其轨迹。我们在模拟中彻底测试了我们的方法，表明自动驾驶汽车可以根据不同情况调整其行为。我们还与其他方法进行比较，证明了所考虑的性能指标的改进。
2023-03-29 cs.AI cs.LG cs.RO
Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework
本文提出CoDrivingLLM框架，通过环境模块、思维链推理、冲突协调器和记忆增强生成，赋予网联自动驾驶车辆交互与持续学习能力，实现全场景协同驾驶自动化。
2025-09-19 cs.AI cs.RO
Language Decision Transformers with Exponential Tilt for Interactive Text Environments
ServiceNow Research（ServiceNow研究院）；Quebec Artificial Intelligence Institute (Mila)（魁北克人工智能研究所（Mila））；Polytechnique Montreal（蒙特利尔理工学院）
提出 Language Decision Transformers (LDTs) 框架，通过引入指数倾斜、新颖目标条件化和未来观测模型扩展决策 Transformers，在 Jericho 等挑战性文本游戏中实现最高分并首次解决离线 RL 问题。
2023-11-17 cs.AI cs.CL cs.LG
SWR-Viz: AI-assisted Interactive Visual Analytics Framework for Ship Weather Routing
Fujitsu Research of America Inc., USA（美国富士通研究公司）；University of California Santa Cruz, USA（加州大学圣克鲁兹分校）
针对海上运输航线规划面临的预测延迟与决策难题，提出AI辅助可视分析框架SWR-Viz，结合物理信息傅里叶神经算子预测模型、SIMROUTE航线规划与排放分析，经评估提升预测稳定性，获专家认可，为复杂领域决策提供支持。
2025-11-19 cs.AI cs.HC
Interactive Machine Learning: From Theory to Scale
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本论文提出交互式机器学习的新算法和理论框架，实现高效主动学习和上下文带算法，解决大规模应用中的计算效率与模型选择问题。
2025-12-30 cs.AI cs.LG stat.ML
Compressing Binary Decision Diagrams
IT-University of Copenhagen（哥本哈根信息技术大学）；Aarhus University（奥胡斯大学）
本文介绍了一种新的技术压缩二叉决策图的情况下，随机访问是不需要的。使用这种技术，可以在线性时间内以BDD的大小进行压缩和解压缩，并且压缩在许多情况下将BDD的大小减小到每节点1-2位。我们的压缩技术的实证结果，包括与以前介绍的技术的比较，表明新技术占主导地位的所有测试实例。
2008-05-21 cs.AI cs.DC
Ordered {AND, OR}-Decomposition and Binary-Decision Diagram
在知识编译（KC）的背景下，我们研究了增加两种分解节点的有序二元决策图（OBDD）的效果，即，与-顶点和或-顶点，分别表示命题知识库的合取和析取分解。由此产生的知识编译语言被称为有序{AND，OR}-分解和二进制决策图（OAODD）。粗略地说，以前的几种语言可以被看作是特殊类型的OAODD，包括OBDD，与/或二元决策图（AOBDD），带有隐含文字的OBDD（OBDD-L），多级分解图（MLDD）。一方面，我们提出了一些家庭的算法，可以将一些片段的OAODD到其他人;另一方面，我们提出了一套丰富的多项式时间算法，执行逻辑运算。根据这些算法，以及理论分析，我们描述的空间效率和易处理的OAODD和它的一些片段相对于评价标准的KC地图。最后，给出了一个将负范式公式转换为OAODD的编译算法。
2014-10-27 cs.AI cs.LO
ArgLLM-App: An Interactive System for Argumentative Reasoning with Large Language Models
Imperial College London（伦敦帝国学院）
ArgLLM-App是一个基于大语言模型的论证推理交互系统，通过可视化解释和用户交互实现决策的可解释性和可挑战性。
2026-02-27 cs.AI cs.CL
A New Algorithmic Decision for Categorical Syllogisms via Caroll's Diagrams
Ege University（埃格大学）
本文讨论了一个演算系统SLCD（SyllogisticLogicwithCarrollDiagrams），它给出了用图进行逻辑推理的一种形式化方法，它表示了基本的阿伦特范畴命题，并证明了它们在删除中间项的三段论推理准则下是封闭的。因此，它的实施，让形式主义包括同步双边和三边的数学外观和一个天真的算法性质。而且，不需要专门的知识或专门的能力来理解和使用它，因此，我们给出了一个有效的算法，用于确定是否有效的三段论推理使用SLCD。
2021-01-28 cs.AI cs.LO
An Interactive Interpretability System for Breast Cancer Screening with Deep Learning
Vanderbilt University（范德堡大学）；Carnegie Mellon University（卡内基梅隆大学）
深度学习方法，特别是卷积神经网络，已经成为医学图像计算任务中的强大工具。虽然这些复杂的模型提供了出色的性能，但它们的黑盒性质可能会阻碍高风险决策的实际应用。在本文中，我们提出了一个互动系统，利用国家的最先进的可解释性技术，以协助放射科医生与乳腺癌筛查。我们的系统将深度学习模型集成到放射科医生的工作流程中，并提供新颖的交互，以促进对模型决策过程的理解。此外，我们证明了我们的系统可以利用用户交互逐步提供更细粒度的可解释性报告，标签开销很小。由于所采用的可解释性技术的通用性，我们的系统是领域不可知的，可用于许多不同的医学图像计算任务，为我们如何利用视觉分析来转换最初的静态可解释性技术以增强人类决策并促进医学AI的采用提供了一个新的视角。
2022-09-30 cs.AI cs.CV cs.HC
ClinEnv: An Interactive Multi-Stage Long Horizon EHR Environment for Agents
Georgia Institute of Technology（佐治亚理工学院）；Peking University（北京大学）；University of Texas Southwestern Medical Center（德克萨斯西南医学中心）；Tsinghua University（清华大学）
提出ClinEnv，一个基于真实住院患者数据的交互式基准，通过多阶段决策序列评估大语言模型在不确定性下逐步收集信息并做出不可逆决策的能力，发现模型决策质量与过程质量严重脱节。
2026-06-01 cs.AI cs.CL cs.ET
Variants of Tagged Sentential Decision Diagrams
Jinan University（暨南大学）；Jilin University（吉林大学）
本文提出标准TSDDs，通过反转零抑制与标准修剪规则的应用顺序构造TSDDs变体，证明其规范性并给出二元运算算法，实验表明四种TSDDs变体在规模上均优于SDDs和ZSDDs。
2023-11-16 cs.AI cs.LO
Interpretable Modelling of Driving Behaviors in Interactive Driving Scenarios based on Cumulative Prospect Theory
University of California at Berkeley（加州大学伯克利分校）
了解人类驾驶行为对自动驾驶汽车很重要。本文提出了一种基于累积前景理论（CPT）的交互式驾驶场景中可解释的人类行为模型。作为一种非期望效用理论，CPT可以很好地解释一些期望效用理论无法解释的人类系统性偏差或“非理性”行为/决策。因此，这项工作的目标是制定人类驾驶员的行为生成模型与CPT，使一些“非理性”的行为或人类的决定可以更好地捕捉和预测。为了实现这一目标，我们首先开发了一个CPT驱动的决策模型，专注于驾驶场景与两个相互作用的代理。提出了一种分层学习算法，用于学习CPT模型中的效用函数、价值函数和决策权函数。最后以环形交叉口并线为例进行验证。利用实际驾驶数据，比较了基于TTC的预定义模型、基于神经网络的基于学习的模型和基于CPT的模型的预测性能。实验结果表明，该模型的性能优于TTC模型，并在训练数据更少、可解释性更好的情况下达到与基于学习的模型相似的性能。
2019-07-19 cs.AI cs.RO cs.SY
GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP, and Beyond
Northwestern University（西北大学）；Peking University（北京大学）；The Hong Kong University of Science and Technology（香港科技大学）；Yale University（耶鲁大学）
本文提出广义eluder系数（GEC）来刻画强化学习中探索与利用的权衡，涵盖MDP、POMDP等场景，并设计了一种通用的后验采样算法，通过次线性遗憾上界证明了其样本高效性。
2023-06-30 cs.AI cs.LG math.OC
Play to Grade: Testing Coding Games as Classifying Markov Decision Process
Stanford University（斯坦福大学）
当代的编程教育经常给学生提出开发具有用户交互和复杂动态系统的程序的任务，例如基于鼠标的游戏。虽然在教学上很有吸引力，但目前还没有提供反馈的自主方法。值得注意的是，交互式程序不可能通过传统的单元测试来评分。在本文中，我们正式提出的挑战，提供反馈的交互式程序作为一项任务的分类马尔可夫决策过程（MDP）。每个学生的程序完全指定了一个MDP，其中代理需要在合理的泛化下操作和决定，如果输入MDP的动态和奖励模型应该被分类为正确或损坏。我们证明，通过设计代理和自回归模型之间的合作目标，我们可以使用代理从输入MDP，允许分类器来确定成员的差分轨迹采样：发挥等级。我们的方法使一个自动反馈系统的交互式代码分配。我们发布了一个包含711，274名匿名学生提交的数据集，这些学生提交了一个带有手工编码错误标签的作业，以支持未来的研究。
2021-12-14 cs.AI cs.CY cs.LG
