Resolving Spatial-Time Conflicts In A Set Of Any-angle Or Angle-constrained Grid Paths
Peoples’ Friendship University of Russia(俄罗斯人民友谊大学)
我们研究了多智能体路径寻找问题(MAPF)的一组代理,允许移动到任意方向上的二维正方形网格。我们专注于独立计算计划的集中冲突解决方案。我们提出了一个算法,通过使用本地重新规划,并引入时间偏移的路径由不同的代理执行,以消除冲突。实验结果表明,该算法能以较低的计算代价找到高质量的无冲突解。
2016-08-09 cs.AI
Interactive Explanations by Conflict Resolution via Argumentative Exchanges
Imperial College London(帝国理工学院)
针对XAI领域现有研究多聚焦静态解释的问题,提出基于计算论辩的论辩式交流(AXs)框架,用于智能体间冲突解决,分析其理论特性并通过模拟实验验证不同智能体行为的冲突解决效果。
2023-06-09 cs.AI cs.MA
Improving Continuous-time Conflict Based Search
Peoples’ Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学);Federal Research Center for Computer Science and Control of Russian Academy of Sciences(俄罗斯科学院计算机科学与控制联邦研究中心);HSE University(高等经济学院);Ben-Gurion University of the Negev(内盖夫本-古里安大学);Palo Alto Research Center(帕洛阿尔托研究中心)
基于时间的搜索(CBS)是一个强大的算法框架,用于优化解决经典的多智能体路径寻找(MAPF)问题,其中时间被离散为时间步长。连续时间CBS(CCBS)是最近提出的CBS版本,保证最优解,而不需要离散时间。然而,CCBS的可扩展性是有限的,因为它不包括CBS的任何已知的改进。在本文中,我们开始缩小这一差距,并探讨如何适应成功的CBS的改进,即优先冲突(PC),不相交的分裂(DS),和高层次的竞争,连续时间设置的CCBS。这些适应是不平凡的,需要仔细处理不同类型的约束,应用广义版本的安全间隔路径规划(SIPP)算法,并扩展基数冲突的概念。我们通过在一般图和$2^k$邻域网格上运行实验来评估所建议的增强效果。具有这些改进的CCBS显著优于普通CCBS,在某些情况下解决了几乎两倍于多代理的问题,并在连续时间域中推动了多代理路径查找的极限。
2021-03-02 cs.AI cs.MA
Solving Multi-Agent Multi-Goal Path Finding Problems in Polynomial Time
Charles University Prague(查尔斯大学布拉格)
本文提出在多项式时间内解决多智能体多目标路径寻找问题的新方法,通过全局分配策略和局部优化减少冲突,实现高效路径规划。
2025-12-17 cs.AI cs.MA
Conflict-Based Search for Multi Agent Path Finding with Asynchronous Actions
Shanghai Jiao Tong University(上海交通大学)
本文提出了一种基于冲突的异步动作搜索方法,解决连续时间冲突基于搜索在异步动作多智能体路径寻找中的不完整性问题,并提高算法的可扩展性。
2026-03-26 cs.AI
Multi-objective Conflict-based Search Using Safe-interval Path Planning
Carnegie Mellon University(卡内基梅隆大学);Texas A&M University(德州农工大学)
本文讨论了一个推广的著名的多智能体路径寻找(MAPF)问题,同时优化多个相互冲突的目标,如旅行时间和路径风险。这种概括,被称为多目标MAPF(MOMAPF),出现在几个应用范围从危险材料运输到建筑工地规划。在本文中,我们提出了一种新的多目标冲突为基础的搜索(MO-CBS)的方法,依赖于一种新的多目标安全区间路径规划(MO-SIPP)算法,其低级别的搜索。我们首先开发了MO-SIPP算法,展示了它的性质,然后将它嵌入到MO-CBS中。我们提出了广泛的数值结果表明:(1)有一个数量级的改善,在平均低级别的搜索时间,和(2)一个显着的改善,找到帕累托最优的前沿的成功率可以得到使用所提出的方法相比,以前的MO-CBS。
2022-03-04 cs.AI cs.RO
Multi-Agent Pathfinding with Non-Unit Integer Edge Costs via Enhanced Conflict-Based Search and Graph Discretization
China Mobile Group Hunan Company Limited(中国移动通信集团湖南有限公司)
本文提出MAPFZ,一种处理非单位整数边成本的多智能体路径规划变种,通过增强的基于冲突搜索框架和图离散化方法,提升了求解效率和现实准确性。
2026-04-07 cs.AI
A Conflict-Based Search Framework for Multi-Objective Multi-Agent Path Finding
Carnegie Mellon University(卡内基梅隆大学);Texas A&M University(德克萨斯农工大学)
传统的多智能体路径规划器通常在优化单个目标(例如路径长度)的同时计算路径的集合。然而,许多应用可能需要在规划期间同时优化多个目标,例如燃料消耗和完成时间,并且这些标准可能不容易比较,并且有时彼此竞争。因此,问题的目标是找到一组帕累托最优解,而不是一个单一的最优解。简单地将现有的多目标搜索算法(诸如多目标A*(MOA*))应用于多智能体路径查找可能被证明是低效的,因为搜索空间的维度随着智能体的数量呈指数增长。本文提出了一种名为多目标基于搜索(MO-CBS)的方法,该方法试图通过利用先前的基于搜索的搜索(CBS)(一种用于单目标多智能体路径查找的知名算法)和多目标优化文献中的优势原则来解决这种所谓的维数灾难。我们还开发了几种变体的MO-CBS,以提高其性能。我们证明了MO-CBS及其变体可以计算整个Pareto最优集。数值结果表明,MO-CBS优于最近开发的国家的最先进的多目标多智能体规划器。
2022-06-12 cs.AI cs.RO
Subdimensional Expansion Using Attention-Based Learning For Multi-Agent Path Finding
Texas A&M University(得克萨斯农工大学);Carnegie Mellon University(卡内基梅隆大学)
多代理路径查找(MAPF)为多个代理从各自的起始位置到目标位置查找无冲突路径。MAPF是具有挑战性的联合配置空间增长指数的代理数量。在MAPF规划者中,基于搜索的方法,如CBS和M*,通过采用动态耦合策略有效地绕过了维数灾难:代理人首先以完全解耦的方式进行规划,其中代理人之间的潜在冲突被忽略;然后代理人要么遵循各自的计划,要么耦合在一起进行规划,以解决它们之间的冲突。一般来说,冲突的数量决定了这些规划器的运行时间,现有的工作主要集中在如何有效地解决这些冲突。在这项工作中,我们采取不同的观点,旨在减少冲突的数量(从而提高整体搜索效率),通过提高每个代理的个人计划。通过利用一个可视化的Transformer,我们开发了一个基于学习的单智能体规划器,它计划一个单一的代理,同时注意地图的结构和其他代理可能发生冲突。然后,我们开发了一种新的多智能体规划器称为LM* 通过集成这种基于学习的单智能体规划器与M*。我们的研究结果表明,对于“看不见”和“看不见”的地图,与M* 相比,LM* 有更少的冲突要解决,因此,运行更快,享有更高的成功率。我们的经验表明,LM* 计算的MAPF解决方案是接近最优的。我们的代码可在https://github.com/lakshayvirmani/learning-assisted-mstar上获得。
2021-09-29 cs.AI cs.RO
Revisiting the Complexity Analysis of Conflict-Based Search: New Computational Techniques and Improved Bounds
Technion–Israel Institute of Technology(以色列理工学院)
多智能体路径查找(MAPF)问题要求在给定的环境中为一组智能体找到一组无冲突的路径。可以说,计算最优解的最先进方法是基于搜索的搜索(CBS)。在这项工作中,我们重新审视CBS的复杂性分析,在最坏的情况下,算法的运行时间提供更严格的界限。我们的分析铺平了道路,以更好地查明参数,治理(在最坏的情况下)的算法的计算复杂性。我们的分析是基于两种互补的方法:在第一种方法中,我们绑定的运行时使用的多值决策图(MDD)的大小-一个分层的图,其中包含所有可能的单代理路径之间的两个给定的顶点为一个特定的路径长度。在第二种方法中,我们表示的运行时间由一个新的递归关系的边界算法的复杂性。我们使用基于生成函数的分析,以紧密结合的递归。使用这些技术,我们提供了几个新的上限CBS的复杂性。结果使我们能够改善现有的约束CBS的运行时间在许多情况下。例如,在一组常见的基准测试中,我们将上限至少提高了$2^{10^{7}}$。
2021-04-18 cs.AI cs.CC cs.MA
A Conflict-Aware Optimal Goal Assignment Algorithm for Multi-Robot Systems
Indian Institute of Technology Kanpur(坎普尔印度理工学院)
本文针对多机器人目标分配中的NP难问题,提出一种冲突感知的最优目标分配算法,通过冲突引导的次优分配计算和两项路径计算优化,在基准测试中实现近一个数量级加速。
2024-02-19 cs.AI cs.MA cs.RO
Towards Information-Optimized Multi-Agent Path Finding: A Hybrid Framework with Reduced Inter-Agent Information Sharing
本文提出了一种减少智能体间信息共享的混合框架IO-MAPF,通过强化学习和轻量级集中协调器实现高效多智能体路径寻找,在信息受限条件下保持高成功率。
2026-02-22 cs.AI cs.MA cs.RO
Multi Agent Path Finding with Awareness for Spatially Extended Agents
Centre for AI and Robotics(CAIR), DRDO(国防研究与发展组织人工智能与机器人中心);Indian Institute of Science(印度科学学院)
路径寻找问题涉及到一个计划的识别冲突自由移动的代理商在一个共同的道路网络。大多数解决这个问题的方法都将代理作为点对象处理,其中代理的大小明显小于它行驶的道路。在本文中,我们考虑空间扩展的代理,其大小与他们旅行的道路的长度相当。在扩展冲突搜索(XCBS)算法中,提出了一种面向空间扩展智能体的多智能体最优路径搜索方法。由于XCBS一次只解决一对冲突,因此在给定位置发生级联或多个(两个以上代理)冲突的情况下,它会导致更深的搜索树。这个问题是解决扩展的基于冲突的搜索与意识(XCBS-A),其中一个代理使用其他代理的计划,使自己的计划的认识。在本文中,我们探讨XCBS-A在更详细的,我们从理论上证明了它的完整性和经验证明其性能与其他算法的道路特性,代理特性和计划特性的差异。我们证明了分布式的算法的性质,通过评估其性能时,分布在多台机器。XCBS-A产生一个巨大的搜索空间影响其效率的内存方面,为了解决这个问题,我们提出了一种方法的内存效率和经验证明的算法的性能。XCBS-A的性质是这样的,它可能会导致次优的解决方案,因此本文的最后贡献是一个增强的方法,XCBS-Local Awareness(XCBS-LA),我们证明这将是最佳的和完整的。
2020-09-20 cs.AI
Justifying and Improving Meta-Agent Conflict-Based Search
基于元Agent的搜索算法MA-CBS是近年来提出的一种多Agent路径搜索算法。该算法是基于Agent的搜索算法CBS的一个扩展,当Agent之间的冲突超过一定阈值时,CBS算法自动将冲突Agent合并为元Agent。然而,合并代理的决定是根据经验选择的冲突数量的固定阈值做出的。最佳阈值取决于域和代理的数量,并且依赖性的性质还不清楚。我们根据对模型问题的分析,提出了使用冲突数量固定阈值的理由。根据建议的理由,我们引入新的决策政策的MA-CBS算法,大大提高了算法的性能。改进的算法的变体进行评估的几组问题,选择强调不同方面的算法。
2014-10-23 cs.AI
The Conflict Between Explainable and Accountable Decision-Making Algorithms
KAIST(韩国科学技术院);IBS(基础科学研究院);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Max Planck Institute for Research on Collective Goods(马克斯·普朗克集体物品研究所);Kangwon National University(江原国立大学)
决策算法正在用于重要的决策,例如谁应该参加医疗保健计划和被雇用。尽管这些系统目前部署在高风险场景中,但其中许多系统无法解释其决策。这种限制促使了可解释人工智能(XAI)计划,该计划旨在使算法可解释以遵守法律要求,促进信任并保持问责制。本文质疑可解释性是否以及在多大程度上可以帮助解决自主AI系统带来的责任问题。我们认为,提供事后解释的XAI系统可能被视为应受责备的代理人,模糊了开发人员在决策过程中的责任。此外,我们认为,XAI可能会导致对弱势利益相关者的责任归属不正确,例如那些受到算法决策影响的人(即,患者),由于他们对可解释的算法具有控制权的误导性感知。如果设计师选择将算法和患者作为道德和法律的替罪羊,那么可解释性和问责制之间的冲突可能会加剧。最后,我们提出了一系列建议,以解决算法决策的社会技术过程中的这种紧张局势,并为硬监管辩护,以防止设计师逃避责任。
2022-05-11 cs.AI cs.CY
Does Faithfulness Conflict with Plausibility? An Empirical Study in Explainable AI across NLP Tasks
本文通过三个NLP任务上的定量比较,实证发现忠实性与合理性并不必然冲突,传统扰动方法Shapley value和LIME可同时实现较高忠实性与合理性,建议以双重目标优化可解释性算法。
2024-03-29 cs.AI cs.LG
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation
University of Technology Sydney(悉尼科技大学);Tongji University(同济大学);Wuhan University of Technology(武汉理工大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
由于知识图谱提供了丰富的信息,基于路径的可解释推荐系统的最新进展引起了越来越多的关注。大多数现有的可解释的推荐只利用静态的知识图谱,而忽略了动态的用户项演化,导致不太令人信服和不准确的解释。虽然有一些工作,认识到建模用户的时间顺序行为可以提高性能和可解释性的推荐系统,他们中的大多数要么只专注于建模用户的顺序交互路径内或独立和单独的推荐机制。本文提出了一种新的基于强化学习的时间元路径引导可解释推荐(TMER-RL),它利用带有注意力机制的连续项之间的强化项-项路径建模,在动态知识图谱上对动态用户-项演化进行顺序建模,以实现可解释推荐。与现有的作品,使用大量的递归神经网络模型的时间信息相比,我们提出了简单而有效的神经网络来捕捉用户的历史项目的功能和基于路径的上下文来表征下一个购买的项目。在两个真实世界数据集上对TMER进行的广泛评估显示,与最近的强基线相比,TMER具有最先进的性能。
2021-11-24 cs.AI cs.IR
Dynamic Multi-Agent Path Finding based on Conflict Resolution using Answer Set Programming
Sabanci University(萨班哲大学)
我们研究了一个动态版本的多智能体路径寻找问题(称为D-MAPF),现有的代理人可能会离开,新的代理人可能会加入团队在不同的时间。提出了一种基于冲突消解的D-MAPF算法。这个想法是,当一组新的代理加入团队,有冲突,而不是重新规划整个团队,重新规划只有一个最小的子集的代理,其计划相互冲突。我们利用答案集编程作为我们的方法的一部分,规划,重新规划和确定最小的冲突集。
2020-09-22 cs.AI cs.LO cs.MA
HISE-KT: Synergizing Heterogeneous Information Networks and LLMs for Explainable Knowledge Tracing with Meta-Path Optimization
针对现有知识追踪方法元路径选择有噪声、可解释性不足的问题,提出HISE-KT框架,融合异质信息网络与大语言模型,经元路径优化、相似学生检索实现更优的预测性能与可解释性。
2025-11-19 cs.AI
Reinforced Path Reasoning for Counterfactual Explainable Recommendation
University of Technology Sydney(悉尼科技大学);Curtin University(科廷大学)
反事实解释通过探索项目或用户的最小改变如何影响推荐决策来解释推荐机制。现有的反事实可解释方法面临巨大的搜索空间并且它们的解释或者是基于动作的(例如,用户点击)或基于方面(即,项目说明)。我们相信基于项目属性的解释对用户来说更直观和更有说服力,因为它们通过细粒度的项目人口统计特征(例如,brand)。此外,反事实解释可以过滤掉负面项目,从而加强建议。在这项工作中,我们提出了一种新的反事实解释推荐(CERec)生成基于项目属性的反事实解释,同时提高推荐性能。我们的CERec优化解释政策统一搜索候选反事实在强化学习环境。我们减少了巨大的搜索空间与自适应路径采样器,通过使用丰富的上下文信息的一个给定的知识图谱。我们还将解释策略部署到推荐模型中,以增强推荐。广泛的可解释性和推荐评估表明CERec有能力提供符合用户偏好的解释,并保持改进的推荐。我们在https://github.com/Chrystalii/CERec上发布代码。
2022-07-14 cs.AI cs.IR
Advancing Explainable AI Toward Human-Like Intelligence: Forging the Path to Artificial Brain
Lancaster University(兰卡斯特大学)
本文探讨了可解释AI(XAI)方法的演进及其在医疗、金融等领域的应用与挑战,并进一步研究了XAI与认知科学融合的潜力及情感智能AI的发展,展望了AI迈向类人智能与通用人工智能(AGI)的多学科探索之路。
2024-02-07 cs.AI
Towards an Intention Abstraction Layer for Autonomous Industrial Systems
针对自主工业系统中各子系统运行目标冲突难以及时发现的问题,提出意图抽象层(IAL),通过大型语言模型等将自然语言目标解析为结构化意图,检测并解释冲突,实现执行前意图级检查,保障协作自主系统行为。
2026-07-17 cs.AI cs.MA
Faithful Path Language Modeling for Explainable Recommendation over Knowledge Graph
University of Cagliari(卡利亚里大学);Polytechnic University of Turin(都灵理工大学)
本文提出PEARLM模型,通过知识图谱约束解码机制确保推荐解释路径真实有效,在提升可解释性的同时显著提高推荐准确性。
2024-04-30 cs.AI cs.IR cs.LG
Explainable Session-based Recommendation via Path Reasoning
School of Computer Science and Technology, East China Normal University(华东师范大学计算机科学与技术学院)
针对会话推荐缺乏可解释性的问题,本文提出分层强化学习框架PR4SR,通过会话级与路径级智能体、多目标及中点奖励和图像特征增强知识图谱进行路径推理,并在五个模型与四个数据集上验证其推荐与解释效果。
2024-02-28 cs.AI cs.IR
Explainable cardiac pathology classification on cine MRI with motion characterization by semi-supervised learning of apparent flow
Inria(法国国家信息与自动化研究所);Université Côte d’Azur(蔚蓝海岸大学)
我们提出了一种方法来分类心脏病理的基础上,一种新的方法来提取图像衍生的功能来表征心脏的形状和运动。一个原始的半监督学习过程,它有效地利用了大量的未分割的图像和少量的图像分割的手动专家,被开发来生成像素级的表观流之间的两个时间点的2D+t电影MRI图像序列。结合表观血流图和心脏分割掩模,我们得到了一个局部的表观血流对应的二维运动的心肌和心室腔。这导致生成心肌段的半径和厚度的时间序列以表示心脏运动。这些运动特征的时间序列是病理心脏运动的可靠和可解释的特征。此外,它们与形状相关的特征相结合,以分类心脏病变。仅使用九个特征值作为输入,我们提出了一个可解释的,简单而灵活的病理分类模型。在ACDC训练集和测试集上,模型的分类准确率分别达到95%和94%。因此,它的性能是可比的国家的最先进的。与其他各种型号的比较进行概述我们的模型的一些优点。
2019-03-27 cs.AI cs.CV cs.LG
A Conflict-Based Path-Generation Heuristic for Evacuation Planning
NICTA(澳大利亚国家信息与通信技术研究院);University of Melbourne(墨尔本大学);Ecole des Mines de Nantes(南特矿业学院)
疏散规划和调度是灾害管理和国家安全应用的一个重要方面。提出了一种基于冲突的疏散路径生成方法。其核心思想是为疏散区域惰性地生成疏散路线,并在主问题中优化这些路线上的疏散。每个新路径的生成是为了解决疏散中的冲突,并在主问题中添加新列和新行。该算法被应用到大规模的洪水情况下,在霍克斯伯里-内湖河(西悉尼,澳大利亚),需要疏散的顺序为70,000人。所提出的方法减少了变量的数量从4,500,000在一个混合规划(MIP)制定30,000的情况下,研究。通过这种方法,可以实时的近似最优地解决现实的疏散场景,支持战略,战术和作战环境中的疏散规划。
2013-09-10 cs.AI math.OC
Explainable Belief Harmonization under Dynamic Epistemic Partitions
Warsaw University of Technology(华沙技术大学)
研究多智能体信念组合中认知分区的运行时变化,提出结合回答集编程与Python的混合方法框架,能处理异构分辨率级别,保证可接受性、修复及解释完整性,经评估可实现完全违规检测和解释覆盖。
2026-07-24 cs.AI cs.LO cs.MA
RACER: Reinforced Agent Collaboration for Explainable Reasoning on Knowledge Graphs
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);Chinaunicom Software Nanjing Branch(中国联通软件南京分公司)
RACER是面向知识图谱可解释推理的强化智能体协作框架,通过多智能体协作等技术解决LLM的幻觉与复杂推理难题,在两个数据集上平均提升5%性能。
2026-09-01 cs.AI
Key Path Identification for Resolving Knowledge Conflicts via SAE-based Steering
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Nanyang Technological University(南洋理工大学)
提出关键路径识别(KPI)方法,通过识别具有强因果依赖的SAE特征构建关键路径,以少量特征修改实现更精确的引导,在RAG知识冲突任务中平均准确率提升18%。
2026-09-09 cs.AI
ArgMed-Agents: Explainable Clinical Decision Reasoning with LLM Disscusion via Argumentation Schemes
Hubei University of Technology(湖北工业大学)
本文提出ArgMed-Agents多智能体框架,通过临床讨论论证方案实现LLM的可解释临床决策推理,在提升复杂临床决策准确性的同时为用户提供增强信心的决策解释。
2024-12-28 cs.AI cs.MA cs.SC
Inside Knowledge: Graph-based Path Generation with Explainable Data Augmentation and Curriculum Learning for Visual Indoor Navigation
National University of Science and Technology POLITEHNICA Bucharest(波兰堡国立科学与技术大学);Bitdefender(Bitdefender公司)
本文提出一种仅依赖视觉输入的实时室内导航方法,通过基于图的路径生成、可解释数据增强和课程学习实现高效训练,并构建了大型购物中心数据集及Android应用。
2025-08-15 cs.AI cs.CV
Explainable Student Performance Prediction With Personalized Attention for Explaining Why A Student Fails
School of Computer Science (National Pilot Software Engineering School)(计算机科学学院(国家示范性软件工程学院));Beijing University of Posts and Telecommunications(北京邮电大学)
随着高等教育中学生不及格率的不断增加,预测学生在下学期的表现已成为一个重要的需求。个性化的学生表现预测有助于教育工作者全面了解学生状况,并提前进行有效干预。然而,现有的研究很少考虑教育工作者最关心的学生成绩预测的可解释性。在本文中,我们提出了一种新的可解释的学生成绩预测方法与个性化注意(ESPA)利用学生档案中的关系和相关课程的先验知识。所设计的双向长短期记忆(BiLSTM)结构提取具有特定模式的路径中的语义信息。在利用相似路径的内在联系方面,提出了一种局部和全局的注意力机制,以区分不同学生或课程对预测的影响。因此,有效的推理路径可以应用于预测学生的表现。ESPA在学生成绩预测方面始终优于其他最先进的模型,并且结果可以直观地解释。这项工作可以帮助教育工作者更好地了解行为对学生学习的不同影响。
2021-10-15 cs.AI cs.CY cs.LG
Doctor-in-the-Loop: An Explainable, Multi-View Deep Learning Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer
Unit of Computer Systems and Bioinformatics, Department of Engineering(计算机系统与生物信息学单位,工程系);Research Unit of Radiation Oncology, Department of Medicine and Surgery(放射肿瘤研究单位,医学与外科系);Operative Research Unit of Radiation Oncology(放射肿瘤操作研究单位);Research Unit of Anatomical Pathology, Department of Medicine and Surgery(解剖病理研究单位,医学与外科系);Anatomical Pathology Operative Research Unit(解剖病理操作研究单位);Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering(诊断与介入部门,放射物理,生物医学工程)
Doctor-in-the-Loop通过整合专家知识与可解释AI技术,提升非小细胞肺癌病理预测的准确性和可解释性,推动临床可解释人工智能的发展。
2025-02-21 cs.AI cs.CV cs.LG
COMPASS: The explainable agentic framework for Sovereignty, Sustainability, Compliance, and Ethics
本文提出COMPASS框架,通过模块化治理机制整合主权、可持续性、合规性和伦理,利用RAG技术提升AI决策的可解释性和透明度。
2026-03-13 cs.AI
Solving Witness Triangle Puzzles Faster with an Automatically Learned Predicate
University of Alberta(阿尔伯塔大学);Carleton University(卡尔顿大学)
本文提出自动学习可解释谓词来预测《见证者》类谜题部分路径是否不可补全,并利用该谓词剪枝搜索状态,在保持完备性的同时将求解速度平均提升六倍,且能在固定时间预算下求解更多更大规模的谜题实例。
2026-11-13 cs.AI
EVM-Fusion: An Explainable Vision Mamba Architecture with Neural Algorithmic Fusion
School of Mathematical Sciences, Tongji University(数学科学学院,同济大学)
针对医学图像分类的准确性、可解释性与泛化性挑战,提出EVM-Fusion架构,通过神经算法融合机制整合多路径特征,在多器官数据集上实现99.75%测试准确率并提供可解释决策,助力可信医学AI。
2025-08-26 cs.AI cs.CV
Reinforcement Learning-based Knowledge Graph Reasoning for Explainable Fact-checking
University of Tartu(塔尔图大学);Outplay(Outplay公司);IIIT-Delhi(德里印度理工学院信息技术学院)
针对事实核查缺乏可解释性,提出基于强化学习的知识图谱推理方法,通过路径生成与投票机制提供人类可读证据,提升核查可信度。
2023-10-11 cs.AI cs.CY
A Causal Model of Theory of Mind in Conflict for Artificial Intelligence
Institute for Creative Technologies, University of Southern California(南加州大学创意技术研究所)
提出结构因果模型,将心智理论视为由情境和主体条件激活的机制,通过三条因果路径决定何时进行心智化,提升AI社会推理的准确性和效率。
2026-07-16 cs.AI cs.HC
"Let's Agree to Disagree": Investigating the Disagreement Problem in Explainable AI for Text Summarization
本文首次实证研究文本摘要XAI中的分歧问题,提出基于分割的区域可解释AI(RXAI)方法,通过局部解释减少不同XAI方法间的分歧,并在Xsum和CNN/Daily Mail上验证其有效性。
2025-11-06 cs.AI
Lazy Modeling of Variants of Token Swapping Problem and Multi-agent Path Finding through Combination of Satisfiability Modulo Theories and Conflict-based Search
Czech Technical University in Prague(布拉格捷克理工大学)
本文讨论了图中的项重定位问题。我们假设在无向图的顶点上放置的项目,每个顶点最多有一个项目。物品可以在边缘上移动,同时必须满足各种约束条件,这取决于重新定位问题的类型。我们介绍了一个一般的问题制定,包括已知类型的项目搬迁问题,如多代理路径查找(MAPF)和令牌交换(TSWAP)。在这个公式中,我们表示两种新类型的搬迁问题来自令牌交换,我们称之为令牌旋转(TROT)和令牌置换(TPERM)。我们的解决方案的项目搬迁相结合的可满足性模理论(SMT)与基于冲突的搜索(CBS)。我们在SMT框架中解释CBS,在SMT框架中,我们从基本模型开始,并在当前解决方案中发生项之间的冲突时使用冲突解决约束来细化模型。标准CBS和我们基于SMT的CBS修改(SMT-CBS)之间的关键区别在于,标准CBS分支搜索以解决冲突,而在SMT-CBS中,我们迭代地添加单个析取冲突解决约束。在多个基准测试上的实验结果表明,SMT-CBS算法的性能明显优于标准CBS算法。我们还比较了SMT-CBS与基于SAT的MDD-SAT求解器的修改,该求解器使用项目重新定位的渴望建模,其中所有潜在的冲突都通过约束提前消除。实验表明,SMT-CBS中的懒惰方法产生的约束比MDD-SAT少,也实现了更快的求解运行时间。
2018-09-16 cs.AI
A Path Towards Legal Autonomy: An interoperable and explainable approach to extracting, transforming, loading and computing legal information using large language models, expert systems and Bayesian networks
The University of Sussex(萨塞克斯大学);Maastricht University(马斯特里赫特大学);Massachusetts Institute of Technology(麻省理工学院);VERSES Research Lab(VERSES 研究实验室);Macquarie University(麦考瑞大学);Université du Québec à Montréal(蒙特利尔魁北克大学);University College London(伦敦大学学院)
本文提出一种结合大语言模型、法律决策路径专家系统和贝叶斯网络的方法,用于提取、转换、加载和计算法律信息,以实现可解释且法律互操作的人工智能智能体法律自主性,并以加州自动驾驶法规为例验证其原理。
2024-03-27 cs.AI cs.CL cs.CY
SoREX: Towards Self-Explainable Social Recommendation with Relevant Ego-Path Extraction
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学 Gallagher人工智能学院);Beijing Key Laboratory of Research on Large Models(北京大模型研究关键实验室);Engineering Research Center of Next-Generation Intelligent Search(下一代智能搜索工程研究中心)
SoREX通过引入自解释的GNN框架,利用相关自我路径提取提升社交推荐的预测准确性与解释能力。
2025-12-05 cs.AI cs.SI
Towards Explainable Metaheuristic: Mining Surrogate Fitness Models for Importance of Variables
University of Stirling(斯特林大学)
元启发式搜索算法寻找最大化或最小化一组目标(如成本或性能)的解决方案。然而,大多数现实世界的优化问题包括非线性问题与复杂的约束条件和相互冲突的目标。GA得到解决方案的过程在很大程度上仍然无法向最终用户解释。一个不好理解的解决方案会削弱用户对解决方案的信心。我们建议,调查的变量,强烈影响解决方案的质量和它们之间的关系将是一个步骤,提供一个解释的近最优的解决方案所提出的元启发式。通过四个基准问题的使用,我们使用遗传算法(GA)产生的人口数据训练一个代理模型,并探讨学习的搜索空间的代理模型。我们比较了代理人在第一代之后生成的人口数据上训练后所学到的东西,并将其与在所有代的人口数据上训练的代理模型进行了对比。我们表明,代理模型挑选出问题的关键特征,因为它是从每一代的人口数据进行训练。通过对代理模型的挖掘,我们可以建立一个GA学习过程的图像,从而解释了GA的解决方案。其目的是建立信任和信心的最终用户对GA提出的解决方案,并鼓励采用该模型。
2022-05-31 cs.AI cs.NE
Solution Space Path Planning: A Real-Time Human-Centered Path Planning Algorithm for En-Route Air Traffic Control
Delft University of Technology(代尔夫特理工大学)
提出一种基于解空间的冲突避免路径规划算法,集成三种意图冲突检测方法,通过顶点和边搜索节点实现高效计算,在MUAC Delta扇区测试中平均计算时间3.69毫秒。
2026-08-03 cs.AI cs.RO cs.SY