Evaluating computational models of explanation using human judgments
University of California at Berkeley(加州大学伯克利分校)
我们评估四个计算模型的解释贝叶斯网络模型预测比较,人类的判断。在两个实验中,我们向人类参与者提供因果结构,模型对此做出不同的预测,要么为观察到的事件寻求最佳解释(实验1),要么让参与者为观察到的事件提供解释(实验2)。在两个版本的两个因果结构和两个实验中,我们发现因果解释树和最相关的解释模型比最可能的解释或解释树模型更适合人类数据。我们确定这些模型的优点和缺点,以及它们可以揭示人类的解释。最后,我们提出并行进行计算和心理学解释研究的价值。
2013-09-26 cs.AI
Interactive Narrative Analytics: Bridging Computational Narrative Extraction and Human Sensemaking
Universidad Católica del Norte(智利北方大学)
本文提出交互式叙事分析,结合计算叙事提取与交互式可视化,以提升大规模新闻和社交媒体中的叙事认知处理能力。
2026-01-16 cs.AI cs.CL cs.CY
Interdisciplinary Methods in Computational Creativity: How Human Variables Shape Human-Inspired AI Research
Alberta Machine Intelligence Institute (Amii)(阿尔伯塔机器智能研究所(Amii));University of Alberta(阿尔伯塔大学)
本文通过22次半结构化访谈,研究了人类文献如何进入并转化至受人类启发的AI研究中,发现思想在跨学科移植时易脱离原语境,建议CC研究人员记录实践决策与背景,以促进跨学科对话。
2023-06-29 cs.AI
Computational Models to Study Language Processing in the Human Brain: A Survey
KU Leuven(鲁汶大学)
本文综述了计算模型在人脑语言处理研究中的应用,通过在相同数据集上评估多种模型,发现没有单一模型在所有数据集上均占优,强调需丰富测试数据并严格控制实验以得出稳健结论。
2024-03-20 cs.AI cs.CL
Human Values in Multiagent Systems
Artificial Intelligence Research Institute (IIIA-CSIC)(人工智能研究所(IIIA-CSIC));Goldsmiths, University of London(伦敦大学金史密斯学院)
针对人类价值观模糊矛盾且动态变化、难以实现AI价值对齐的问题,本文提出基于社会科学的价值观形式化表示方法,明确了多智能体系统价值对齐的核心挑战并给出研究路线图。
2023-05-04 cs.AI cs.CY cs.MA
How Did Humans Become So Creative? A Computational Approach
University of British Columbia(不列颠哥伦比亚大学);Simon Fraser University(西蒙弗雷泽大学)
本文总结了计算模型的努力,在人类创造力的进化两个过渡:它的起源约200万年前,和“大爆炸”的创造力约50,000年前。使用文化进化的计算模型,其中基于神经网络的代理通过发明和模仿来进化行动的想法,我们测试了人类创造力始于递归回忆能力的假设。我们比较了代理仅限于单步操作的运行和使用递归回忆将简单操作链接成复杂操作的运行。链接导致了更高的多样性,开放式的新颖性,没有上限的平均健身行动,以及更大的能力,利用学习。使用肖像画的计算模型,我们测试的假设,即在中/上旧石器时代的创造力的爆炸是由于上下文的重点发病:联想和分析思维之间的转换能力。这导致了更快的趋同肖像,类似的保姆,采用绘画技巧,并被评为首选。我们的结论是,递归回忆和上下文的重点提供了一个计算合理的解释人类如何进化的手段来改造这个星球。
2019-07-09 cs.AI cs.MA cs.NE
Improving Human-Robot Collaboration via Computational Design
George Mason University(乔治梅森大学)
当机器人进入我们的日常生活时,人类和机器人周围的共享空间对于有效的人机协作至关重要。共享空间的设计应满足人类的偏好和机器人的效率。本作品以厨房设计为例,说明良好的空间设计在促进这种合作中的重要性。给定厨房边界、柜台和食谱,该方法计算出符合厨房设计规则要求的柜台的最佳放置,并提高人机协作。关键的技术挑战是优化方法通常评估数千个设计,并且作为评估函数的一部分的运动规划的计算成本昂贵。我们使用一个分散的运动规划器,可以有效地解决多智能体运动规划。我们的研究结果表明,优化的厨房设计可以提供显着的性能改善人机协作。
2023-03-20 cs.AI cs.GR cs.RO
On the possible Computational Power of the Human Mind
本文的目的是解决这个问题:人工神经网络(ANN)模型可以被用来作为一个可能的表征人类心灵的力量?我们将讨论这样一个模型和它的自然对应物之间的关系。一个可能的表征不同的权力能力的头脑中所包含的信息(在其计算复杂性)或可实现的it.Such表征利用最近的结果的基础上自然神经网络(NNN)和任意人工神经网络(ANN)的计算能力。神经网络作为人类思维运作模型的可能性使得上述内容非常相关。
2007-04-08 cs.AI cs.CC cs.NE
A Brain-inspired Computational Model for Human-like Concept Learning
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);International Research Center for AI Ethics and Governance, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所人工智能伦理与治理国际研究中心);Center for Long-term Artificial Intelligence(长期人工智能研究中心)
本文借鉴大脑中多感官与文本表示协同的概念学习机制,提出基于脉冲神经网络的类人计算模型,有效处理多源与维度不平衡问题,并在相似概念测试中取得与人类认知高度一致的表示。
2024-01-12 cs.AI
Missing the human touch? A computational stylometry analysis of GPT-4 translations of online Chinese literature
The University of Hong Kong(香港大学);Swinburne University of Technology(斯威本科技大学)
本研究通过计算风格分析,发现GPT-4在中文文学翻译中能复现人类翻译的风格特征,表明大型语言模型可能在文学翻译中再现'人文关怀'。
2025-06-16 cs.AI cs.CL
The Information-theoretic and Algorithmic Approach to Human, Animal and Artificial Cognition
Université Paris 8(巴黎第八大学);EPHE(法国高等研究实践学院);Karolinska Institutet(卡罗林斯卡学院);University of Oxford(牛津大学)
我们调查的概念,在研究的前沿连接人工,动物和人类的认知计算和信息处理--从图灵测试塞尔的中国房间的论点,从综合信息论计算和算法的复杂性。首先,我们认为通过图灵测试是一个微不足道的计算问题,其实用性的困难揭示了人类思维的计算本质,而不是人工智能的挑战。然后,我们回顾了我们提出的算法信息理论的措施,量化和表征认知的各种形式。这些理论能够解释人类行为中已知的偏见,从而证明图灵首先提出的认知的计算算法观点是正确的,但这一次植根于算法概率的概念,而算法概率又基于计算普适性,同时独立于计算模型,并且作为认知行为的模型理论具有预测性和可检验性的优点。
2015-12-24 cs.AI
Model Human Learners: Computational Models to Guide Instructional Design
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院)
本文提出“人类学习者模型”概念,并用统一计算模型准确预测两项教学干预 A/B 实验,证明其可生成学习曲线并解释干预有效性。
2025-05-10 cs.AI cs.HC cs.SC
Modelling Human Values for Value-Aware Multi-Agent Systems
本文提出一个形式化框架,用于表示人类价值观,以支持多智能体系统中的价值感知推理。通过社会心理学研究,建立价值关系和重要性模型,实现行为评估和价值感知决策机制。
2026-06-28 cs.AI cs.MA
Semantic Analysis of (Reflectional) Visual Symmetry: A Human-Centred Computational Model for Declarative Explainability
University of Bremen(不来梅大学);Norwegian University of Science and Technology(挪威科技大学)
我们提出了一个计算模型的语义解释对称性的自然场景。主要特征包括以人为中心的表示,以及基于知识表示和基于深度学习的计算机视觉方法集成的支持深度语义问答的声明性、可解释的解释模型。在视觉艺术的背景下,我们展示了框架的能力,以产生以人为中心的,可查询的,关系结构,还评估了框架与人类视觉对称感知的实证研究。我们的框架代表了基础的、综合的视觉和知识表示以及推理方法在艺术、心理和社会科学中的应用,并由这些方法驱动。
2018-09-14 cs.AI cs.CV cs.LO
Creativity as a Human Right: Design Considerations for Computational Creativity Systems
College of Arts, Media and Design (CAMD) Northeastern University(艺术、媒体与设计学院(CAMD)东北大学)
本文基于《世界人权宣言》考察创造力的人权属性,通过分析其中五条条款并给出实现方式,为计算创造力系统提出设计考量。
2025-05-16 cs.AI cs.HC
Computational modeling of Human-nCoV protein-protein interaction network
Dr. Sudhir Chandra Sur Degree Engineering College(苏德hir·钱德拉·苏尔学位工程学院);Jadavpur University(贾达沃普尔大学);Netaji Subhash Engineering College(纳塔吉·苏巴斯工程学院)
2019冠状病毒病于二零二零年造成全球大流行,发病率及死亡率高。新型冠状病毒(nCoV),也称为严重急性呼吸道综合征冠状病毒2(SARS-CoV 2),是这种致命疾病的罪魁祸首。国际病毒分类委员会(ICTV)已宣布nCoV与2003年流行的SARS-CoV在基因上高度相似(89%相似性)。文献中可获得有限数量的临床验证的人-nCoV蛋白相互作用数据。基于这一假设,本研究利用实验验证的SARS-CoV-Human蛋白质相互作用网络,建立了nCoV-Human蛋白质相互作用网络的计算模型。首先,在SARS-CoV-人相互作用网络中,使用易感-感染-易感(SIS)模型鉴定水平1和水平2的人传播蛋白。这些蛋白被认为是nCoV诱饵蛋白的潜在人类靶标。基于基因本体的模糊亲和函数已被用于构建nCoV-人蛋白相互作用网络,特异性阈值为99.98%。这也确定了人类蛋白质相互作用网络中COVID-19的1级人类传播者。随后使用SIS模型识别2级人类传播者。最终使用7种潜在的FDA上市的COVID-19药物验证了衍生的宿主-病原体相互作用网络,其中已知药物靶蛋白和鉴定的扩展蛋白之间存在显著重叠。
2020-05-05 cs.AI q-bio.MN
A Modular Multi-stage Lightweight Graph Transformer Network for Human Pose and Shape Estimation from 2D Human Pose
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);College of Computing and Informatics(计算与信息学院)
在这项研究中,我们解决了现有基于深度学习的人类网格重建方法在平衡精度和计算效率方面所面临的挑战。这些方法通常优先考虑准确性,导致大的网络尺寸和过度的计算复杂性,这可能阻碍它们在诸如虚拟现实系统的真实世界场景中的实际应用。为了解决这个问题,我们引入了一个模块化的多级轻量级的基于图的Transformer网络的人体姿势和形状估计从二维人体姿势,基于姿势的人体网格重建方法,优先考虑计算效率,而不牺牲重建精度。我们的方法包括一个2D到3D提升器模块,该模块利用图形Transformers来分析2D人体姿势中的结构化和隐式关节相关性,以及一个网格回归模块,该模块将提取的姿势特征与网格模板相结合以产生最终的人体网格参数。
2023-01-31 cs.AI cs.CV
Robustness of Object Recognition under Extreme Occlusion in Humans and Computational Models
The Johns Hopkins University(约翰斯·霍普金斯大学);Harvard University(哈佛大学);Yonsei University(延世大学)
视觉世界中的大多数物体都被部分遮挡,但人类可以毫不费力地识别它们。然而,像卷积神经网络(CNN)这样的对象识别模型是否可以处理现实世界的遮挡仍然是未知的。这也是一个问题,是否努力使这些模型鲁棒恒定掩模遮挡是有效的现实世界的闭塞。我们测试人类和上述计算模型在一个具有挑战性的任务下的对象识别极端闭塞,其中目标对象被严重遮挡不相关的真实对象在真实的背景。我们的研究结果表明,人类视觉对极端遮挡非常鲁棒,而CNN则不然,即使经过修改以处理恒定的遮罩遮挡。这意味着处理恒定掩模遮挡的能力不需要对真实世界遮挡的鲁棒性。作为比较,我们提出了另一种计算模型,利用对象部分/子部分的组合方式,建立鲁棒性闭塞。在我们的任务中,这比基于CNN的模型表现得更好,错误模式与人类相似。这些发现表明,在极端遮挡下进行测试可以更好地揭示视觉识别的鲁棒性,而构图原则可以鼓励这种鲁棒性。
2019-06-04 cs.AI cs.CV
Everyone Can Be Picasso? A Computational Framework into the Myth of Human versus AI Painting
该研究构建了融合神经潜在空间、美学特征与可视化分析的计算框架,系统比较人类与AI绘画差异,发现二者在笔触、锐度及风格演化上存在显著区别,为改进AI艺术提供依据。
2024-02-22 cs.AI cs.CV cs.HC
The dangers in algorithms learning humans' values and irrationalities
Berkeley Existential Risk Initiative(伯克利存在风险倡议组织);Aligned AI;Future of Humanity Institute(人类未来研究所);Oxford University(牛津大学);Machine Intelligence Research Institute(机器智能研究所)
为了让人工智能(AI)与人类价值观(或人类偏好)保持一致,它必须首先学习这些价值观。根据人类行为训练的人工智能系统,有可能将人类的非理性错误归类为人类价值观,然后对这些非理性进行优化。简单地学习人类价值观仍然存在风险:人工智能学习它们也将不可避免地获得有关人类非理性和人类行为/政策的信息。这两种情况都可能是危险的:了解人类的政策可以让人工智能变得更强大(无论它是部分对齐还是根本不对齐),而学习人类的非理性可以让它利用人类而不需要提供价值作为回报。本文分析了发展人工智能的危险性,学习人类的非理性和人类的政策,并构建了一个模型推荐系统与不同层次的信息,人类的偏见,人类的政策,和人类的价值观。它的结论是,无论人工智能的力量和知识如何,它知道人类的非理性比人类的价值观更危险。因此,人工智能最好直接学习人类的价值观,而不是学习人类的偏见,然后从行为中推导出价值观。
2022-03-01 cs.AI
Uncovering the Computational Ingredients of Human-Like Representations in LLMs
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Stanford University(斯坦福大学)
该研究通过对75余个模型开展 triplet 相似度任务,发现指令微调与大注意力头维度是LLM类人概念表征对齐的关键要素,明确了现有基准无法完全衡量人与模型的对齐程度。
2026-09-02 cs.AI
How Does Embodiment Affect the Human Perception of Computational Creativity? An Experimental Study Framework
University of Helsinki(赫尔辛基大学);Aalto University(阿尔托大学);Queen Mary University of London(伦敦玛丽女王大学)
哪些因素影响人类对计算系统所表现出的创造力的评价是计算创造力研究的核心问题。近年来,制度的体现被提出来作为一个影响因素,但缺乏对其影响的实证研究。为此,我们提出了一个实验框架,隔离的体现对创造力的感知效果,其对创造力本身的影响。我们不仅操纵系统的具体化,而且还将感知证据作为人类创造力评估的基础。我们激励的核心框架与体现和知觉证据作为独立的和创造性的过程作为控制变量,我们提供了建议,测量作为因变量的创造性评估。我们希望这个框架能启发其他人以一种有原则的方式研究人类对具身CC的感知。
2022-08-26 cs.AI cs.HC cs.RO
Toward the quantification of cognition
Dartmouth College(达特茅斯学院)
人脑的机制--模拟的、概率的、具体的--可以用计算来描述,但是什么机制赋予了什么计算能力呢?任何这样的系统都可以抽象为两个计算组件:执行计算步骤的有限状态机,无论是通过电流,化学还是力学;加上一组允许的存储器操作,通常根据可以读取和写入的信息存储来制定,无论是通过突触变化,状态转换还是经常性活动。探索这些机制的信息内容,我们可以捕捉不同系统的计算能力的差异。大多数人类认知能力,从感知到行动再到记忆,都是与其他物种共享的;我们试图描述那些(少数)在人类中普遍存在而在其他物种中不存在的能力。三个领域的强大约束- a)可测量的人类认知能力,b)可测量的异速生长解剖大脑特征,c)特定自动机和形式语法的可测量特征-说明了对人类能力的显著严格限制,出乎意料地将人类认知限制在一类特定的自动机(“嵌套堆栈”)中,这明显低于图灵机。
2020-08-12 cs.AI q-bio.NC
Benchmarking human visual search computational models in natural scenes: models comparison and reference datasets
Universidad de Buenos Aires(布宜诺斯艾利斯大学);CONICET(阿根廷国家科学与技术研究理事会)
视觉搜索是几乎所有日常人类目标导向与环境互动的重要组成部分。如今,有几种算法能够在简单的观察过程中预测注视位置,但很少有模型试图模拟人类在自然场景中视觉搜索时的行为。此外,这些模型在设计上差异很大,在评估它们的数据集和指标上也存在差异。因此,需要有一个参照点,以便对每个模式进行测试,并从中得出可能的改进。在目前的工作中,我们选择了自然场景中公开可用的最先进的视觉搜索模型,并在不同的数据集上对其进行评估,采用相同的指标来估计其效率和与人类主题的相似性。特别是,我们提出了一个改进的理想贝叶斯搜索器,通过结合一个基于神经网络的视觉搜索模型,使其能够推广到其他数据集。目前的工作揭示了当前模型的局限性,以及如何通过组合方法来实现潜在的改进。此外,它进一步提供了一个解决方案,迫切需要基准数据和指标,以支持更一般的人类视觉搜索计算模型的发展。
2021-12-10 cs.AI cs.CV
Stress Propagation in Human-Robot Teams Based on Computational Logic Model
Schulich School of Engineering(舒利希工程学院);University of Calgary(卡尔加里大学);Jet Propulsion Laboratory(喷气推进实验室)
任务小组面临着生死决定的情感代价。这些小组由受过专门训练的人组成,由智能机器支持,用于处理紧张的环境和场景。我们开发了一个复合模型,用于在人类和自主机器的团队中进行压力监测。该模型旨在确定可能导致飞行任务失败的条件。该模型由三部分组成:1)静态描述队友压力状态的计算逻辑部分; 2)反映任务状态的决策部分; 3)基于标准SIS范式的压力传播部分。与基于代理、随机游走和博弈模型等方法相比,该模型结合了多种机制来满足小群体压力传播的条件。我们的核心方法涉及数据结构,如决策表和决策图。这些工具也适用于人机合作。
2022-11-08 cs.AI cs.HC
Visual Verity in AI-Generated Imagery: Computational Metrics and Human-Centric Analysis
Western University(韦仕敦大学);King Fahd University of Petroleum & Minerals(法赫德国王石油与矿产大学)
本文通过三项研究提出并验证Visual Verity问卷,比较AI生成图像与相机图像的质量差异,并提出NFSS指标,以改进AI生成内容的评估方法。
2024-09-01 cs.AI cs.HC
Humans decompose tasks by trading off utility and computational cost
Princeton University(普林斯顿大学)
本文提出一个在保持任务表现的同时最小化规划成本的任务分解规范性框架,并通过大规模图任务分析与N=806的行为实验证明其优于替代解释。
2022-11-07 cs.AI
Computational Phenomenology of Borderline Personality Disorder: A Comparative Evaluation of LLM-Simulated Expert Personas and Human Clinical Experts
IDEAS Research Institute(IDEAS研究机构);Adam Mickiewicz University(亚当·密茨凯维奇大学);AMU Center for Artificial Intelligence(AMU人工智能中心);Poznań University of Medical Sciences(波兹南医科大学);Maria Curie-Skłodowska University(玛丽·居里-斯洛多夫斯卡大学);University of Warsaw(华沙大学)
本研究比较了LLM模拟专家与人类专家在边缘型人格障碍定性分析中的表现,发现模型在某些方面与人类难以区分,并能识别人类遗漏的主题,展示了AI增强分析的潜力。
2026-11-05 cs.AI cs.CL
The DURel Annotation Tool: Human and Computational Measurement of Semantic Proximity, Sense Clusters and Semantic Change
University of Stuttgart(斯图加特大学);University of Gothenburg(哥德堡大学)
DURel工具是一个在线开源界面,通过人类与计算标注结合图聚类,测量词义邻近性、义簇及语义变化,支持一致性比较与统计汇总。
2024-02-05 cs.AI cs.CL
Second Thoughts are Best: Learning to Re-Align With Human Values from Text Edits
Dartmouth College(达特茅斯学院);Stanford University(斯坦福大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
我们提出第二思想,一个新的学习范式,使语言模型(LM)重新调整与人类价值观。通过对值未对齐和值对齐文本之间的编辑链进行建模,并通过强化学习进行LM微调和额外的细化,Second Thought不仅在三个价值对齐基准数据集中实现了卓越的性能,而且在Few-Shot场景中显示了强大的人类价值迁移学习能力。生成的编辑步骤还提供了更好的可解释性和易于交互式纠错。广泛的人类评估进一步证实了其有效性。
2023-01-05 cs.AI cs.CL cs.CY
An affective computational model for machine consciousness
Software Foundation(软件基金会)
过去,几种意识模型变得流行,并导致机器意识模型的开发,取得了不同程度的成功,但在模拟和实现方面也面临着不同程度的挑战。此外,涉及情感,行为和个性的情感计算属性并不是意识模型的重点,因为它们缺乏在软件应用程序和机器人中部署的动机。随着可以帮助人类的技术的兴起,情感属性是机器意识未来的重要因素。因此,个性和情感可以为类人机器人中意识的计算模型提供额外的味道。机器学习领域的最新进展(重点是深度学习)可以进一步帮助开发机器意识的各个方面,这些方面可以更好地复制人类感官知觉,如语音识别和视觉。随着这些进步,人们在开发可以同步情感计算的不同方面的模型时遇到了进一步的挑战。在本文中,我们回顾了一些现有的意识模型,并提出了一个情感的计算模型,使人类的触摸和感觉机器人系统。
2017-01-02 cs.AI
AnthroScore: A Computational Linguistic Measure of Anthropomorphism
Stanford University(斯坦福大学)
提出AnthroScore,一种基于掩码语言模型的自动拟人化度量,验证其与人类判断一致,并应用于15年论文和新闻,发现拟人化随时间增长且语言模型相关论文最高,新闻标题高于论文。
2024-02-03 cs.AI cs.CL cs.CY
A Self-supervised Pressure Map human keypoint Detection Approch: Optimizing Generalization and Computational Efficiency Across Datasets
Anhui University(安徽大学);Hefei Institutes of Physical Science, Chinese Academy of Sciences(中国科学院合肥物质科学研究院)
针对RGB图像不足场景下的压力图人体关键点提取需求,提出带EFD模型与CRWT方法的自监督SPMKD方案,无需标注即可提升泛化性,且计算效率大幅优于基线。
2024-02-22 cs.AI cs.CV
Learning Human-like Representations to Enable Learning Human Values
Johns Hopkins University(约翰斯·霍普金斯大学);Princeton University(普林斯顿大学);New York University(纽约大学)
本文研究通过人类与AI智能体间的表征对齐,使AI能安全快速地学习个体人类价值观,并在多臂老虎机实验中证明该方法支持安全探索并提升泛化能力。
2024-11-08 cs.AI cs.LG
Towards a computational theory of human daydreaming
本文探讨了白日做梦现象:自发地回忆或想象个人或替代的经验,在过去或未来。白日做梦在人类认知中的重要作用被假定为:计划准备和排练,从失败和成功中学习,支持创造性过程,情绪调节和动机。一个计算理论的白日梦和它的实现程序DAYDREAMER。DAYDREAMER包括1)基于放松计划的情景生成器,2)情景生成器使用的经验的动态情景记忆,3)指导情景生成器的个人目标和控制目标的集合,4)其中白日梦发起并且由目标结果引起的情绪状态发起的情绪成分,(5)人际关系和日常生活中常见的领域知识。情绪和控制目标在白日做梦中的作用进行了讨论。四个控制目标通常用于指导白日梦:合理化,失败/成功逆转,报复和准备。情景记忆在白日做梦中的作用被认为是,包括白日做梦的信息是如何被纳入记忆和后来使用。DAYDREAMER的初始版本目前正在运行,它可以产生几个白日梦(英语)。
1998-12-10 cs.AI
Informing Artificial Intelligence Generative Techniques using Cognitive Theories of Human Creativity
Simon Fraser University(西蒙弗雷泽大学);University of British Columbia(不列颠哥伦比亚大学)
我们的创造力是使我们成为独特人类的共同观点表明,将对人类创造力的研究纳入生成深度学习技术可能是一条富有成效的途径,可以使其输出更引人注目,更像人类。使用基于Deep Dream的卷积神经网络和基于认知的计算艺术渲染系统的原始合成,我们展示了如何通过计算实现磨练理论,内在动机和“种子事件”的概念,并展示了它们对生成艺术的影响。我们讨论了深度学习卷积神经网络生成系统的探索如何帮助我们理解人类的创造力。最后,我们总结了基于人工智能的计算创造力和创造力心理学之间进一步交叉的想法。
2019-07-05 cs.AI cs.LG q-bio.NC
Machine Theory of Mind and the Structure of Human Values
Department of Philosophy University of Michigan, Ann Arbor(哲学系 密歇根大学)
本文提出价值泛化问题,论证人类价值观具有生成性理性结构,并主张用贝叶斯心智理论模型从其他价值观推断价值观,以实现可扩展的机器心智理论。
2025-05-24 cs.AI
SentRNA: Improving computational RNA design by incorporating a prior of human design strategies
Stanford University(斯坦福大学)
解决RNA逆折叠问题是RNA设计的关键先决条件,RNA设计是生物工程中的一个新兴领域,具有从反应催化到癌症治疗的广泛应用。虽然在开发基于机器的反向RNA折叠算法方面已经取得了重大进展,但目前的方法仍然难以为大型或复杂的靶标设计序列。另一方面,在线RNA设计游戏EteRNA的人类玩家在这方面一直表现出卓越的性能,能够轻松地为机器算法具有挑战性的目标设计序列。在这里,我们提出了一种新的方法来RNA设计问题,SentRNA,设计代理组成的一个完全连接的神经网络训练端到端使用人类设计的RNA序列。我们证明,通过这种方法,SentRNA可以解决以前任何基于机器的方法都无法解决的复杂目标,并在两个独立的具有挑战性的测试集上实现最先进的性能。我们的研究结果表明,将人类的设计策略纳入设计算法可以显着提高机器的性能,并提出了一个新的范例,基于机器的RNA设计。
2019-03-06 cs.AI q-bio.QM stat.ML
ValueDCG: Measuring Comprehensive Human Value Understanding Ability of Language Models
Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);State Key Laboratory of General Artificial Intelligence, BIGAI(北京通用人工智能研究院通用人工智能国家重点实验室);School of Artificial Intelligence, Beijing University of Posts and Telecommunications(北京邮电大学人工智能学院)
本文提出 ValueDCG 指标,从“知道是什么”和“知道为什么”两方面评估 LLM 的人类价值观理解能力,发现参数量增长并未同步提升两类能力,反而可能带来表面解释风险。
2024-06-17 cs.AI cs.CL cs.CY
Trustworthy AI: A Computational Perspective
Michigan State University(密歇根州立大学);The Hong Kong Polytechnic University(香港理工大学);Twitter(推特);Tsinghua University(清华大学)
在过去的几十年里,人工智能(AI)技术经历了快速的发展,改变了每个人的日常生活,并深刻地改变了人类社会的进程。开发人工智能的目的是造福人类,减少人类劳动,为人类生活带来日常便利,促进社会公益。然而,最近的研究和人工智能应用表明,人工智能可能会对人类造成无意的伤害,例如在安全关键场景中做出不可靠的决定,或者通过无意中歧视一个群体来破坏公平。因此,值得信赖的人工智能最近引起了极大的关注,这需要仔细考虑,以避免人工智能可能给人类带来的不利影响,使人类能够充分信任并与人工智能技术和谐相处。近年来,人们对可信AI进行了大量的研究。在本调查中,我们从计算的角度对可信AI进行了全面的调查,以帮助读者了解实现可信AI的最新技术。可信AI是一个庞大而复杂的领域,涉及多个维度。在这项工作中,我们专注于实现值得信赖的人工智能的六个最关键的方面:(i)安全性和鲁棒性,(ii)非歧视性和公平性,(iii)可解释性,(iv)隐私性,(v)问责制和可审计性,以及(vi)环境福祉。对于每一个维度,我们回顾了最近的相关技术,根据一个分类,并总结了他们在现实世界中的系统中的应用。我们还讨论了不同维度之间的一致和冲突的相互作用,并讨论了值得信赖的人工智能在未来研究的潜在方面。
2021-08-19 cs.AI
Computational Charisma -- A Brick by Brick Blueprint for Building Charismatic Artificial Intelligence
University of Augsburg(奥格斯堡大学);Imperial College London(帝国理工学院)
魅力被认为是一个人吸引和潜在影响他人的能力。显然,从人工智能(AI)的角度来看,为它提供这种技能可能会有相当大的兴趣。除此之外,大量的用例为人类魅力的计算测量开辟了道路,例如指导人类获得魅力,调解人与人之间的对话,或者在大社交数据中识别有魅力的个人。有许多模型将魅力建立在不同的维度上,通常遵循的观点是,如果一个人能够并且愿意帮助他人,魅力就会被赋予。例子包括科学研究中的影响力(可能有帮助)和和蔼可亲(会有帮助),或者权力(可能有帮助),存在和温暖(两者都有帮助)作为一个流行的概念。在这些维度上为人形机器人或虚拟代理建立高水平的模型似乎是可行的。此外,随着情感计算和社会信号处理相关领域的最新进展,自动测量也变得非常可行。在这里,我们,thereforem提出了一个蓝图,可以建立机器,可以出现魅力,但也分析别人的魅力。为此,我们首先从心理学的角度,包括不同的魅力模型和行为线索,然后我们切换到口语中的会话魅力作为一个典型的模态,是必不可少的人与人和人机对话。然后,计算的角度处理人工智能对魅力行为的识别和生成。这包括对该领域的现状和上述蓝图的概述。然后,我们命名了计算魅力技能的典型用例,然后切换到道德方面,并总结了构建魅力AI的概述和观点。
2022-12-31 cs.AI cs.CV cs.HC
Teaching Values to Machines: Simulating Human-Like Behavior in LLMs
The Hebrew University of Jerusalem(海法大学);IBM Research(IBM研究院);Tel-Aviv University(特拉维夫大学)
本研究基于心理学价值理论,通过大规模实验(超过500万个问题)评估价值提示的LLMs在价值结构和价值-行为关系上与人类的一致性,并证明引入人类价值分布可增强群体模拟。
2026-06-17 cs.AI cs.CL
The Computational Principles of Learning Ability
自从计算机科学领域的AI研究人员停止谈论模拟人类智能或试图解释大脑如何工作以来,已经有相当长的时间了。近年来,以深度学习技术为代表的机器学习领域正经历着前所未有的繁荣,一些具有接近人类水平性能的应用给研究者带来了信心,暗示他们的方法是理解人类大脑机制的有希望的候选者。然而,除了一些古老的语言学标准和一些想象中的黑盒测试(图灵测试,中文室)之外,没有关于智力或其任何组成部分的计算水平的解释,定义或标准。本文从学习能力是智力的重要组成部分这一常识出发,从映射关系的角度考察,提出了两条定律,解释了什么是我们所熟悉的“学习能力”,以及在什么条件下映射关系可以被认为是“学习模型”。
2015-09-23 cs.AI
Intent Signal Theory: A Computational Framework for Intent-State Control in Human-AI Interaction
Huizhou Lateni AI Technology Co., Ltd.(惠州莱尼人工智能技术有限公司);Huizhou University(惠州大学)
提出意图信号理论(IST),通过区分潜在源意图、可观测意图代理、编码载体和模型输出四个对象,形式化意图丢失定理,并基于六种大语言模型、三种语言和三个任务领域的实验验证了结构-保真度分裂等预测,将提示工程重新定义为意图协议设计。
2026-05-24 cs.AI cs.HC
BioLLMAgent: A Hybrid Framework with Enhanced Structural Interpretability for Simulating Human Decision-Making in Computational Psychiatry
School of Computer Science and Technology, East China Normal University(东华大学计算机科学与技术学院);Department of Computer Science, University of Reading(Reading大学计算机科学系);Department of Computer Science, Brunel University of London(伦敦布鲁内尔大学计算机科学系)
BioLLMAgent通过结合认知模型与LLM能力,提供结构可解释的计算沙盒,用于模拟人类决策过程和评估干预策略。
2026-03-05 cs.AI
Lifelong learning challenges in the era of artificial intelligence: a computational thinking perspective
Université Côte d’Azur(蔚蓝海岸大学)
本文从计算思维、批判性思维和创新能力的视角,回顾了人工智能时代终身学习在人机协作、AI素养及监管方面面临的挑战,并强调了其对组织管理和领导力的启示。
2024-05-30 cs.AI
Map Induction: Compositional spatial submap learning for efficient exploration in novel environments
Massachusetts Institute of Technology(麻省理工学院)
人类是专业的探险家。理解支持这种效率的计算认知机制可以推进人类思维的研究,并实现更有效的探索算法。我们假设,人类探索新的环境,有效地推断未观察到的空间结构使用空间信息收集从以前探索的空间。这种认知过程可以使用分层贝叶斯框架中的程序归纳来计算建模,该框架明确地推理具有强空间先验的不确定性。使用一个新的行为地图归纳任务,我们证明了这个计算框架解释人类的探索行为比非归纳模型更好,并优于国家的最先进的规划算法时,应用到一个现实的空间导航域。
2022-03-17 cs.AI cs.LG
Formalising Human-in-the-Loop: Computational Reductions, Failure Modes, and Legal-Moral Responsibility
Centre for the Study of Existential Risk(存在风险研究中心);University of Cambridge(剑桥大学);Institute of Mathematics Education(数学教育研究所);University of Cologne(科隆大学);Department of Computer Science and Technology(计算机科学与技术系);DeepFin Research(DeepFin研究);Faculty of Law(法学院);University of Oxford(牛津大学);Leverhulme Centre for the Future of Intelligence(未来智能中心)
本研究利用可计算性理论中的神谕机与归约概念形式化AI系统中不同的人机协同设置,区分平凡监控、单端点行动和高度交互,提出失败模式分类法,指出英欧法律框架遗漏,建议法律承认不同设置的有效性并合理分配责任,揭示法律责任与技术可解释性间的权衡。
2025-09-25 cs.AI cs.CY cs.HC
High-Dimension Human Value Representation in Large Language Models
The Hong Kong University of Science and Technology(香港科技大学)
本文提出UniVaR,一种高维神经表征,用于在LLMs中表示人类价值分布,通过自监督学习并在15个模型上评估,探索了25种语言文化中的价值优先级。
2025-03-25 cs.AI cs.CL
On the independence between phenomenal consciousness and computational intelligence
Universidad Pontificia de Comillas(卡米亚斯大主教大学)
意识和智力是民间心理学和一般社会通常理解为依赖的属性。人工智能这个术语以及近年来它设法解决的问题,已经被证明是一个论据,证明机器有某种意识。按照罗素的类比,如果一台机器能够做一个有意识的人所做的事情,那么机器有意识的可能性就会增加。然而,这种类比的社会影响是灾难性的。具体地说,如果权利被赋予能够解决神经正常人所能解决的问题的实体,那么机器是否可能比残疾人拥有更多的权利?例如,自闭症综合症谱系可能会使人无法解决机器可以解决的问题。我们认为,答案显然是否定的,因为解决问题并不意味着意识。因此,我们将在本文中讨论现象意识和至少计算智能是如何独立的,以及为什么机器不拥有现象意识,尽管它们可能发展出比人类更高的计算智能。为了做到这一点,我们试图制定一个客观的衡量计算智能的标准,并研究它如何在人类,动物和机器中呈现。类似地,我们研究现象意识作为一个二分变量,以及它是如何分布在人类,动物和机器。由于现象意识和计算智能是独立的,这一事实对我们在本书中分析的社会具有重要意义。
2022-08-03 cs.AI
Rethinking How AI Embeds and Adapts to Human Values: Challenges and Opportunities
Ume University(乌梅大学)
本文针对“以人为本的AI”和“基于价值的决策”中未充分探索的关键问题,主张重新思考价值对齐框架,提出AI需实现长期推理、适应价值观演变,借助多智能体系统处理多元价值观,并指出研究挑战与方向。
2025-08-23 cs.AI
ValueNet: A New Dataset for Human Value Driven Dialogue System
UCLA Center for Vision, Cognition, Learning, and Autonomy(加州大学洛杉矶分校视觉、认知、学习与自主中心);Microsoft Research(微软研究院)
构建一个具有社会智能的代理涉及许多挑战,其中之一是教代理像人类一样在其价值的指导下说话。然而,价值驱动的聊天机器人在对话系统领域仍然研究不足。大多数现有的数据集集中在常识推理或社会规范建模。在这项工作中,我们提出了一个新的大规模人类价值数据集,称为ValueNet,其中包含21,374个文本场景的人类态度。该数据集被组织在十个维度,符合跨文化研究中的基本人类价值理论。我们进一步在ValueNet上开发了一个基于Transformer的价值回归模型来学习效用分布。综合的实证结果表明,学习价值模型可以受益于广泛的对话任务。例如,通过使用强化学习和价值模型的奖励来教授生成代理,我们的方法在个性化对话生成数据集Persona-Chat上获得了最先进的性能。通过将值作为附加特征,现有的情感识别模型能够在上下文中捕获丰富的人类情感,这进一步提高了EmpatheticDialogues数据集中的移情响应生成性能。据我们所知,ValueNet是第一个用于人类价值建模的大规模文本数据集,我们是第一个尝试将价值模型纳入情感智能对话系统的人。该数据集可在https://liang-qiu.github.io/ValueNet/上获得。
2021-12-12 cs.AI cs.CL
Application-Driven AI Paradigm for Human Action Recognition
ChinaUnicom(中国联通)
计算机视觉中的人体动作识别是近年来研究的热点。然而,大多数算法只考虑特定的动作,计算代价甚至很高。这不适合于需要以低计算成本识别多个动作的实际应用。为了满足不同的应用场景,本文提出了一个统一的人体动作识别框架,多形式的人体检测和相应的动作分类。其中,构建开源数据集,训练区分人体全身、上半身或部分身体的多形态人体检测模型,并采用后续动作分类模型识别摔倒、睡觉或值班等动作,部分实验结果表明,该统一框架对多种应用场景有效。它有望成为一种新的应用驱动的人工智能范式,用于人类动作识别。
2022-09-30 cs.AI cs.CV
Human-like Bots for Tactical Shooters Using Compute-Efficient Sensors
Riot Games
本文提出一种基于模仿学习和无像素射线投射传感器的神经网络训练方法,使AI智能体在仅需适度CPU的商用级2v2战术射击游戏中表现出类人行为,并通过人类评估验证了其在计算约束下的有效性与真实感。
2024-12-30 cs.AI cs.HC cs.LG