Evidential Rule Learning for Interpretable Classification with Abstention
School of Computer Science and Electronic Engineering(计算机科学与电子工程学院);University of Essex(埃塞克斯大学)
提出FERL方法,学习可解释的模糊规则模型,在30个表格数据集基准中准确率显著更高,在OOD检测等任务中表现优异,兼具可解释性与良好性能。
2026-08-07 cs.AI cs.LG
Ranking basic belief assignments in decision making under uncertain environment
Southwest University(西南大学);Guangdong University of Foreign Studies(广东外语外贸大学);The Hong Kong Polytechnic University(香港理工大学);Vanderbilt University(范德堡大学)
Dempster-Shafer理论(D-S理论)在不确定环境下的决策中有着广泛的应用。基本信念分配(BBAs)的排名现在是一个悬而未决的问题。现有的证据距离措施不能排名的BBA的情况下,命题有自己的排名顺序或其固有的接近程度。为了解决这个问题,提出了一种新的排名证据距离(RED)的措施。与已有的Jousselme距离和投注承诺之间的距离等证据距离测度相比,RED测度考虑了系统中命题的顺序,具有更广泛的适用性.如果命题中没有顺序或没有内在的贴近度度量,我们提出的RED度量被减少到现有的证据距离。数值算例表明,在不确定环境下的决策中,RED测度是一种有效的BBA排序方法。
2013-10-28 cs.AI
Similarity Measures on Preference Structures, Part II: Utility Functions
Asian Institute of Technology(亚洲理工学院);University of Washington(华盛顿大学)
在以前的工作中,我们提出了一种基于案例的方法来引出和推理偏好。在这种方法中的一个关键问题是用户偏好之间的相似性的定义。我们引入了概率距离作为用户偏好相似性的度量,并提供了一个算法来计算两个部分指定的{em value}函数之间的距离。这是一个在“确定性”下的决策。在本文中,我们解决了更具挑战性的问题,在{em不确定性}下的决策的情况下,计算概率距离。我们提供了一个算法来计算两个部分指定的{em效用}函数之间的概率距离。我们演示了使用该算法与部分指定的患者偏好的医疗数据集,其中没有其他现有的distancemeasures出现可定义的。使用这个数据集,我们还表明,基于案例的方法,偏好诱导适用于不确定性的领域。最后,我们提供了一个全面的分析比较的概率距离与一些现有的距离措施的偏好。
2013-01-10 cs.AI
Super-Mixed Multiple Attribute Group Decision Making Method Based on Hybrid Fuzzy Grey Relation Approach Degree
University of Sciences(科技大学);South China University of Technology(华南理工大学)
该方法与其它超混合多属性群决策模糊灰关联方法不同的是,所有的主、客观权重均由区间灰数确定,群决策是基于灰色TOPSIS法的相对贴近度、灰色关联法的相对贴近度和灰色关联法的相对隶属度,利用四维欧氏距离进行的。采用加权Borda法对四种方法的结果进行排序。最后通过实例验证了该方法的有效性。
2012-07-06 cs.AI
MICo: Improved representations via sampling-based state similarity for Markov decision processes
Google Research, Brain Team(谷歌研究院大脑团队);McGill University(麦吉尔大学);DeepMind
我们提出了一个新的行为距离的马尔可夫决策过程的状态空间,并证明了使用这种距离作为一种有效的手段,塑造学习表示的深度强化学习代理。虽然由于高计算成本和缺乏基于样本的算法,现有的状态相似性概念通常难以大规模学习,但我们新提出的距离解决了这两个问题。除了提供详细的理论分析,我们提供的经验证据表明,学习这个距离旁边的价值函数产生结构化和信息表示,包括强大的结果街机学习环境基准。
2022-01-21 cs.AI cs.LG
A Hypervolume Based Approach to Rank Intuitionistic Fuzzy Sets and Its Extension to Multi-criteria Decision Making Under Uncertainty
Istanbul Technical University(伊斯坦布尔理工大学)
本文证明了非线性距离函数下直觉模糊集距离排序假设的缺陷,提出基于超体积的排序方法及多准则决策扩展HVAS,并应用于土耳其能源评估与TOPSIS等方法比较。
2022-12-25 cs.AI math.LO
Profit-Based Counterfactual Explanations for Product Improvement: A Case Study of Manga Sales in Japan
Kyoritsu Women’s University(共立女子大学);Meiji University(明治大学)
提出利润最大化反事实解释框架(PBCE),通过将距离项重新解释为修改成本,消除外生目标设定,直接优化利润,提升模型可解释性和决策实用性。
2026-07-03 cs.AI
Global Evaluation for Decision Tree Learning
Boston University(波士顿大学);University of Konstanz(康斯坦茨大学)
我们将聚类上的距离转移到决策树的构建过程中,并因此扩展了经典的ID 3算法,以根据树到地面真实值的全局距离进行修改-而不是考虑单个叶子。接下来,我们将评估这个想法与原始版本的比较,并讨论出现的问题,以及全局方法的优势。在此基础上,我们通过确定其他情况下,全球评估是值得的。
2022-08-09 cs.AI cs.LG
Towards Case-Based Preference Elicitation: Similarity Measures on Preference Structures
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校)
虽然决策理论提供了一个有吸引力的规范性框架来表示丰富的偏好结构,但引出效用或价值函数通常会产生很大的成本。对于许多涉及交互式系统的应用程序,这种开销排除了使用正式的决策理论模型的偏好。如果我们能用一些适当的默认信息来增强直接引出的偏好,而不是在真空中进行引出,那将是非常有用的。在本文中,我们提出了一种基于案例的方法来缓解偏好诱导的瓶颈。假设存在一个人口的用户,我们已经引起了完整或不完整的偏好结构,我们建议引起一个新的用户的偏好交互式和增量,使用最接近现有的偏好结构作为潜在的默认值。由于贴近度的概念需要一个衡量偏好结构之间的距离,本文采取的第一步,研究各种距离措施完全和部分指定的偏好结构。我们探讨了使用欧几里德距离,斯皮尔曼foottrule,并定义了一个新的措施,概率距离。我们为所有三种措施提供计算技术。
2013-01-30 cs.AI
A Generalized-Bayes Perspective on Counterfactual Explanations: Posterior-Based Decision-Making and Evaluation
Faculty of Business, Kyoritsu Women’s University(共立女子大学商学院)
该研究从广义贝叶斯视角重新阐释反事实解释,提出DP-GBCE,引入两种决策规则并扩展至多模型后验混合,定义评估指标,通过实验量化决策规则的权衡。
2026-08-03 cs.AI stat.ML
Uncertainty in Ontology Matching: A Decision Rule-Based Approach
LARODEC;University of Tunis(突尼斯大学);ISG Tunis(突尼斯高等管理学院);IRISA(IRISA研究所);University of Carthage(迦太基大学);IHEC Carthage(迦太基高等商业学院)
考虑到Web上发布的本体的高度异构性,本体匹配是一个关键问题,其目的是建立源本体的实体与目标本体的一个或多个实体之间的联系。完美的相似性措施,被认为是信息的来源,相结合,以建立这些联系。信度函数理论是一个强大的数学工具,结合这种不确定性的信息。在本文中,我们介绍了一个决策过程的基础上的距离测量,以确定最佳可能的匹配实体为一个给定的源实体。
2015-01-23 cs.AI
Learning Temporal Distances: Contrastive Successor Features Can Provide a Metric Structure for Decision-Making
University of California, Berkeley(加州大学伯克利分校);Princeton University(普林斯顿大学)
本文提出利用对比学习得到的后继特征构造满足三角不等式的时间距离,用于随机环境下的决策,实验表明基于该距离的强化学习算法具备组合泛化能力且学习速度更快。
2025-03-10 cs.AI cs.LG
Towards Uncertainty Aware Task Delegation and Human-AI Collaborative Decision-Making
Singapore Management University(新加坡管理大学)
本研究提出基于距离的不确定性分数用于任务委派,并通过嵌入可视化支持人机协作决策,实验表明其优于概率方法,显著提升决策准确率与适当依赖。
2025-05-23 cs.AI cs.HC cs.LG
What is the Right Notion of Distance between Predict-then-Optimize Tasks?
Harvard University(哈佛大学);Georgia Institute of Technology(佐治亚理工学院);Microsoft Research(微软研究院);Kempner Institute(凯普纳研究所)
针对预测-然后-优化(PtO)框架下传统数据集距离无法有效衡量任务相似性的问题,本研究提出融合下游决策信息的OTD³距离,推导了PtO适配边界,实验验证其能准确预测模型在三类PtO任务上的可迁移性。
2025-06-16 cs.AI cs.LG
Better Regularization for Sequential Decision Spaces: Fast Convergence Rates for Nash, Correlated, and Team Equilibria
Carnegie Mellon University(卡内基梅隆大学);Columbia University(哥伦比亚大学)
本文研究了迭代一阶方法在求解大规模两人扩展型对策平衡点问题中的应用。一阶方法通常必须用正则化器实例化,正则化器作为参与者决策集的距离生成函数。对于二人零和博弈的情形,利用扩张熵函数得到了纳什均衡的理论收敛速度。在本文中,我们引入了一个新的基于熵的距离生成函数的两人零和游戏,并表明,该函数实现了显着更好的强凸性比扩张熵,同时保持相同的易于实现的封闭形式的邻近映射。大量的数值模拟表明,这些优越的理论性能转化为更好的数值性能。然后,我们推广我们的新的熵距离函数,以及一般的扩张距离函数,缩放扩展算子。标度扩张算子是一种递归构造凸集的方法,它推广了扩张型博弈的决策多面体,以及对应于相关和团队均衡的凸多面体。通过实例化一阶方法与我们的正则化,我们开发了第一个加速的一阶方法计算相关的平衡和事先协调的团队平衡。我们的方法有保证的$1/T$收敛速度,以及线性时间邻近更新。
2021-10-12 cs.AI cs.GT
Gamifying optimization: a Wasserstein distance-based analysis of human search
University of Milano-Bicocca(米兰比可卡大学)
本文的主要目的是概述一个理论框架,以模拟人类的决策策略下的不确定性,特别是主动学习的黑箱优化任务和权衡信息收集(探索)和奖励寻求(剥削)。人类根据这两个目标所做的决策可以用帕累托理性来描述。如果一个决策集包含一个帕累托有效策略,那么一个理性的决策者应该总是选择优势策略。离帕累托边界的距离决定了一个选择是否是帕累托理性的。为了收集有关人类策略的数据,我们使用了一个游戏应用程序,该应用程序显示了游戏场,以及先前的决定和观察结果,以及获得的分数。在本文中的关键要素是表示人类学习者的行为模式作为一个离散的概率分布。这将人类行为的表征问题映射到一个空间中,该空间的元素是由直方图之间的距离(即Wasserstein距离(WST))构成的概率分布。分布分析提供了新的见解人类搜索策略和他们偏离帕累托理性。由于不确定性是定义帕累托边界的两个目标之一,分析已进行了三种不同的不确定性量化措施,以确定更好地解释帕累托兼容的行为模式。除了对单个模式的分析之外,WST还实现了计算重心和WST k均值聚类的全局分析。一个进一步的分析已经进行了一个决策树相关的非帕累托行为,其特征在于加剧剥削,奖励寻求过程的演变的动态。
2021-12-12 cs.AI cs.LG math.OC
Decision-Aware Approximation of Belief Functions for Evidential Combinatorial Optimization
Univ. Artois(阿图瓦大学);UR 3926(UR 3926机构);Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A)(阿图瓦计算机与自动化实验室(LGI2A))
针对为带证据成本的线性组合优化提供输入的质量函数,提出决策感知近似方法,其决策时的决策翻转频率低于传统表示感知压缩。
2026-08-12 cs.AI math.OC
Model-Agnostic Counterfactual Explanations for Consequential Decisions
MPI-IS(马克斯·普朗克智能系统研究所);MPI-SP(马克斯·普朗克软件系统研究所);IMDEA Software Institute(马德里高级研究中心软件研究所)
预测模型正越来越多地用于支持审前保释和贷款审批等个人层面的重大决策。因此,越来越多的社会和法律压力要求提供解释,帮助受影响的个人不仅理解为什么会输出预测,而且还要理解如何采取行动以获得预期的结果。为此,一些作品提出了基于优化的方法来生成最接近的反事实解释。然而,这些方法通常限于模型的特定子集(例如,决策树或线性模型)和可微距离函数。相反,我们建立在标准的理论和工具,从形式化验证,并提出了一种新的算法,解决了一系列的可满足性问题,其中的距离函数(目标)和预测模型(约束)表示为逻辑公式。如我们在真实世界数据上的实验所示,我们的算法是:i)模型不可知的({非}线性、{非}可微、{非}凸); ii)数据类型不可知的(异构特征); iii)距离不可知的($\ell_0, \ell_1, \ell_\infty$及其组合); iv)能够为任何样本生成合理且多样的反事实(即,100%覆盖率);以及v)在可证明的最佳距离处。
2020-02-28 cs.AI cs.LG cs.LO
Automatic Goal Generation using Dynamical Distance Learning
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);US Army Research Lab(美国陆军研究实验室)
强化学习(RL)智能体可以通过与环境交互来学习解决复杂的顺序决策任务。然而,样本效率仍然是一个主要挑战。在多目标强化学习领域,智能体需要达到多个目标来解决复杂的任务,提高样本效率尤其具有挑战性。另一方面,人类或其他生物制剂以更具战略性的方式学习这些任务,遵循课程,其中任务以越来越高的难度水平进行采样,以便取得渐进和有效的学习进展。在这项工作中,我们提出了一种自动目标生成的方法,使用动态距离函数(DDF)在一个自我监督的方式。DDF是一个预测马尔可夫决策过程(MDP)中任意两个状态之间动态距离的函数。有了这个,我们在适当的难度水平上生成了一个目标课程,以促进整个培训过程中的有效学习。我们评估这种方法在几个目标条件的机器人操作和导航任务,并显示改进的样本效率的基线方法,只使用随机目标采样。
2021-11-07 cs.AI cs.RO
Decision-Level Ordinal Modeling for Multimodal Essay Scoring with Large Language Models
本文提出DLOM方法,通过显式序数决策提升多模态作文评分的准确性,DLOM-GF和DLOM-DA分别引入门控融合模块和距离感知正则化项,实验表明在多模态和纯文本评分任务中均取得显著提升。
2026-03-16 cs.AI cs.CL
Combined-distance-based score function of cognitive fuzzy sets and its application in lung cancer pain evaluation
College of Management Science, Chengdu University of Technology(成都理工大学管理科学学院);School of Architecture and Civil Engineering, Chengdu University(成都大学建筑与土木工程学院)
针对认知模糊集距离研究不足及现有距离忽略犹豫度的问题,提出改进的闵可夫斯基距离和豪斯多夫距离,并构建组合距离及得分函数,应用于肺癌疼痛评估,验证了其可靠性和优势。
2025-09-10 cs.AI math.OC
Out-of-Distribution Detection using Counterfactual Distance
本文提出一种基于反事实解释的事后OOD检测方法,通过在嵌入空间计算到决策边界的距离提升可扩展性,并在多个数据集上达到或超越现有技术水平。
2026-10-01 cs.AI cs.LG
Visuospatial navigation from the bottom-up: without vestibular integration, distance prediction, or maps
Institute for Theoretical Biology, Department of Biology, Humboldt Universität zu Berlin(理论生物学研究所,生物学系,洪堡柏林大学);Science of Intelligence, Research Cluster of Excellence, Berlin, Germany(智能科学,卓越研究集群,柏林,德国);Bernstein Center for Computational Neuroscience, Berlin, Germany(计算神经科学伯恩斯坦中心,柏林,德国)
本文提出通过视觉路线决策实现导航,无需认知地图,展示了在开放场任务中视觉导航的可行性。
2025-12-04 cs.AI cs.NE
A Cantor-Kantorovich Metric Between Markov Decision Processes with Application to Transfer Learning
UCLouvain(天主教鲁汶大学);Lund University(隆德大学)
本研究将马尔可夫链间的Cantor-Kantorovich距离拓展至马尔可夫决策过程场景,提出的度量定义良好且可在有限时域下高效近似,数值实验验证其可用于预测强化学习中迁移学习算法的性能。
2024-07-11 cs.AI cs.LG
Triangular Fuzzy Rescaling Distance
本文针对异构属性下三角模糊数距离计算需预先归一化的问题,提出三角模糊重标距离$d_{TR}$,其整合线性重标于距离计算,满足度量特性且适用于异构模糊数据相关应用。
2026-08-25 cs.AI cs.LG math.GM
Distance-Restricted Explanations: Theoretical Underpinnings & Efficient Implementation
CREATE;NUS(新加坡国立大学);IST/INESC-ID(高等技术学院/ INESC-ID研究所);University of Lleida(莱里达大学);Monash University(莫纳什大学);ICREA(加泰罗尼亚研究与高级研究所)
本文提出新型算法以提升基于逻辑的解释器在处理大量输入的机器学习模型时的计算与枚举扩展性能,解决了距离限制解释的可扩展性瓶颈。
2024-12-24 cs.AI cs.CV cs.DC
Interpreting Neural Networks through Mahalanobis Distance
本文提出连接神经网络线性层与 Mahalanobis 距离的理论框架,从统计距离角度解释激活函数,为提升模型可解释性、鲁棒性和泛化能力奠定基础。
2024-10-25 cs.AI cs.LG stat.ML
Driver Behavior Estimation at Signalized Intersections Using a Physics-Constrained Decision-Conditioned Autoregressive Transformer
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);University of Liechtenstein(列支敦士登大学);Halmstad University(哈尔姆斯塔德大学)
针对信号交叉口驾驶员行为,提出物理约束决策条件自回归Transformer两阶段模型,预测停车/通过决策与纵向轨迹,优于基线并实现低误差。
2026-09-16 cs.AI cs.CY cs.LG
Active Sensing and Deferred-Decision Trajectory Optimization for Robust Target Identification
Department of Electrical and Computer Engineering, Purdue University(普渡大学电气与计算机工程系);Department of Electrical Engineering, University of Notre Dame(诺丁汉大学电气工程系)
提出主动感知延迟决策轨迹优化(AS-DDTO)框架,通过引入轨迹依赖的信息获取项,在保持可达性的同时偏向早期识别区域,实现资源约束下的目标识别。
2026-06-23 cs.AI cs.LG cs.SY
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