A Framework for Learning Scoring Rules in Autonomous Driving Planning Systems
Purdue University(普渡大学)
本文提出 FLoRA 框架,从 NuPlan 正例演示中学习时序逻辑形式的可解释驾驶评分规则,在闭环仿真中优于专家规则和神经网络模型。
2025-02-17 cs.LG cs.RO
Improving the Interpretability of Support Vector Machines-based Fuzzy Rules
The University of DaNang(岘港大学);Hue University(顺化大学)
支持向量机和模糊规则系统在一定条件下是等价的。因此,在支持向量机领域中开发的学习算法可以用于自适应模糊系统的参数。从支持向量机中提取模糊模型具有固有的优点,即模型不需要事先确定规则的数量。然而,在支持向量机学习之后,复杂度通常较高,并且可解释性也受损。本文不仅提出了一个完整的框架,提取可解释的基于SVM的模糊模型,但也提供了模型的优化问题。仿真实例体现了本文的思想。
2014-08-22 cs.AI cs.LG
Extracting Interpretable Models from Tree Ensembles: Computational and Statistical Perspectives
MIT(麻省理工学院);University of Sydney(悉尼大学)
本文提出一种提取树集成中简洁决策规则的估计器,通过灵活控制规则数量和交互深度提升准确性,并建立非渐近预测误差界,实验表明其优于现有规则提取算法。
2026-03-30 cs.LG stat.ML
Extracting Rule-based Descriptions of Attention Features in Transformers
Princeton Language and Intelligence (PLI), Princeton University(普林斯顿语言与智能研究所(PLI)、普林斯顿大学)
针对Transformer注意力特征依赖主观样例检视的解读难题,本文提出三类基于规则的特征描述方法,可自动提取规则并在GPT-2 small上验证效果,为机制可解释性研究提供新路径。
2025-10-20 cs.CL cs.LG
Efficient Decompositional Rule Extraction for Deep Neural Networks
University of Cambridge(剑桥大学)
近年来,通过提取近似其决策边界的基于规则的模型,在提高深度神经网络(DNN)的可解释性和可调试性方面进行了大量工作。然而,当前的DNN规则提取方法在提取规则时考虑了DNN的潜在空间,称为分解算法,要么局限于单层DNN,要么随着DNN或数据的大小增长而难以处理。在本文中,我们通过引入ECLAIRE来解决这些限制,ECLAIRE是一种新型的多项式时间规则提取算法,能够扩展到大型DNN架构和大型训练数据集。我们评估了ECLAIRE在各种各样的任务,从乳腺癌预后到粒子检测,并表明它始终提取更准确和更容易理解的规则集比目前最先进的方法,同时使用数量级更少的计算资源。我们通过开源的REMIX库(https://github.com/mateoespinosa/remix)提供了所有的方法,包括一个规则集可视化界面。
2021-11-24 cs.AI cs.LG
Reinforced Planning with Latent World Models
Pantheon Industries(万神殿工业公司)
该研究提出RP1方法,将良好搜索规则强化到神经规划器中,可改进多步计划,在多个机器人任务中性能优于手工搜索算法,且效率更高。
2026-09-29 cs.LG
Mining Action Rules for Defect Reduction Planning
Polytechnique Montréal(蒙特利尔理工学院)
本文提出CounterACT,一种无需黑盒模型的反事实行动规则挖掘方法,用于生成缺陷减少计划,在9个软件项目上相比现有方法实现了更高的重叠分数和更好的精确率-召回率权衡,并探索了利用LLM生成可操作的代码编辑。
2024-05-22 cs.LG cs.SE
VisRuler: Visual Analytics for Extracting Decision Rules from Bagged and Boosted Decision Trees
Linnaeus University(林奈大学);Linköping University(林雪平大学)
针对袋装、提升类集成决策树模型可解释性差的问题,提出可视分析工具VisRuler,通过多步视觉检查工作流提取决策规则,经多维度评估验证了其适用性与有效性。
2024-04-18 cs.HC cs.LG stat.ML
Extracting the U.S. building types from OpenStreetMap data
George Mason University(乔治梅森大学)
本文提出基于建筑轮廓与 OpenStreetMap 信息的无监督方法,完成全美国 67,705,475 栋建筑的住宅/非住宅分类,并经权威地面真值验证形成开放数据集。
2024-09-09 cs.IR cs.LG cs.SI
Learning Portable Representations for High-Level Planning
University of the Witwatersrand(金山大学);Brown University(布朗大学)
我们提出了一个框架,自主学习的便携式表示,描述了一个低级别的连续环境的集合。我们表明,这些抽象的表示可以在一个任务独立的自我中心的空间特定的代理,接地与特定问题的信息时,可以证明是足够的规划。我们展示了两个不同领域的转移,其中代理学习一个便携式的,任务无关的符号词汇表,以及在该词汇表中表达的规则,然后学习在每个任务的基础上实例化这些规则。这减少了学习新任务的表示所需的样本数量。
2019-05-28 cs.AI cs.LG stat.ML
Adversarial Alignment of Multilingual Models for Extracting Temporal Expressions from Text
Bosch Center for Artificial Intelligence(博世人工智能中心);Saarland University(萨尔大学);Saarbrücken Graduate School of Computer Science(萨尔布吕肯计算机科学研究生院)
虽然时间标记仍然是基于规则的系统占主导地位,最近有神经时间标记器的尝试。然而,所有这些都集中在单语设置。在本文中,我们探索了从文本中提取时间表达式的多语言方法,并研究了将嵌入空间对齐到一个公共空间的对抗训练。有了这个,我们创建了一个单一的多语言模型,也可以转移到看不见的语言,并设置在这些跨语言迁移实验的新的艺术状态。
2020-05-19 cs.CL cs.LG
What to Do Next? Memorizing skills from Egocentric Instructional Video
University of Rochester(罗切斯特大学)
本文研究第一人称仿真环境中的交互式动作规划,提出结合拓扑可供性记忆与Transformer的方法,以学习环境表示、选择动作并检测偏差,实验证明其性能提升且对动作偏差具有鲁棒性。
2025-07-01 cs.AI cs.CV cs.LG
E3: Entailment-driven Extracting and Editing for Conversational Machine Reading
University of Washington(华盛顿大学)
当用户不知道做出决定的确切规则(例如,他们是否需要特定的收入水平或退伍军人身份)时,对话式机器阅读系统可以帮助用户回答高级问题(例如,确定他们是否有资格获得特定的政府福利)。关键的挑战是,这些规则只以程序文本的形式提供(例如政府网站上的指南),系统必须阅读这些文本才能弄清楚向用户询问什么。我们提出了一个新的会话机器阅读模型,共同提取一组决策规则的过程中的文本,而推理所涉及的会话历史,仍然需要编辑,以创建问题的用户。在最近推出的ShARC对话机器阅读数据集上,我们的蕴涵驱动的提取和编辑网络(E3)实现了新的最先进的技术,优于现有系统以及新的基于BERT的基线。此外,通过明确强调哪些信息仍然需要收集,E3提供了一个更易于解释的替代方案。我们在https://github.com/vzhong/e3上发布了模型和实验的源代码。
2020-02-13 cs.AI cs.CL cs.LG
Extracting adverse drug reactions and their context using sequence labelling ensembles in TAC2017
University of Manchester(曼彻斯特大学);Manchester Institute of Innovation Research, Alliance Manchester Business School, The University of Manchester(曼彻斯特大学联盟曼彻斯特商学院曼彻斯特创新研究所)
药物不良反应(ADR)是指在使用某种药物或药物组合后出现的不良反应,对药物开发和药物管理提出了挑战。在本文中,我们提出了一套标签提取药物不良反应和相关的实体,包括因素,严重程度,否定,药物类别和动物。该系统混合使用基于规则的机器学习(CRF)和深度学习(BLSTM与word2vec嵌入)方法来注释数据。这些系统已提交给美国国家标准与技术研究所在2017年文本分析会议期间组织的药物不良反应共享任务,存档F1评分分别为76.00和75.61。
2019-05-28 cs.CL cs.LG
Falsification-driven reinforcement learning for maritime motion planning
Technical University of Munich(慕尼黑技术大学);University of California, Berkeley(加州大学伯克利分校);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
提出一种证伪驱动的强化学习方法,通过生成对抗性训练场景(违反信号时态逻辑规范的海上交通规则)来提升自主船舶的规则遵守能力,实验表明该方法能提供更相关的训练场景并实现更一致的规则遵守。
2026-05-27 cs.LG cs.SY eess.SY
Learning Symbolic Models of Stochastic Domains
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
在这篇文章中,我们的目标是开发能够在复杂世界中学习行动的代理。我们开发了一个概率,关系规划规则表示,companion模型嘈杂,不确定的动作效果,并显示如何有效地学习这些规则。通过在简单的规划域和一个三维模拟块世界与现实的物理实验,我们证明了这种学习算法允许代理有效地模拟世界动态。
2011-10-10 cs.AI cs.LG
Cooperative Behavior Planning for Automated Driving using Graph Neural Networks
Robert Bosch GmbH(罗伯特·博世有限公司);Ulm University(乌尔姆大学)
由于静态优先规则和遮挡限制了优先交通的视野,城市交叉口容易出现延误和效率低下。现有的改善交通流的方法,广泛称为自动交叉口管理系统,大多是基于非学习预留方案或优化算法。基于机器学习的技术在规划单个自我车辆方面显示出有希望的结果。本文提出利用机器学习算法,通过多车辆联合规划来优化城市交叉口的交通流。基于学习的行为规划提出了几个挑战,需要合适的输入和输出表示以及大量的地面实况数据。我们解决前一个问题,使用灵活的基于图形的输入表示伴随着一个图神经网络。这允许有效地编码场景,并固有地为所有涉及的车辆提供单独的输出。为了学习一个合理的策略,而不依赖于模仿的专家示范,合作规划任务被认为是一个强化学习问题。我们在自动驾驶决策的开源模拟环境中对所提出的方法进行了训练和评估。相比先进先出的计划和交通由静态优先级规则,学习规划显示出显着的增益流量,同时减少诱导停止的数量。除了合成模拟,该方法还基于从公开可用的inD数据集获取的真实交通数据进行评估。
2022-07-26 cs.LG cs.RO
Solving Multistage Stochastic Linear Programming via Regularized Linear Decision Rules: An Application to Hydrothermal Dispatch Planning
Pontifical Catholic University of Rio de Janeiro(里约热内卢天主教大学)
多阶段随机线性问题的求解在许多应用领域都是一个挑战。长期水热调度规划(LHDP)将这一挑战具体化为影响全球电力市场、经济和自然资源的现实问题。没有封闭形式的解决方案可用于MSLP和非预期的政策与高质量的样本外的性能的定义是至关重要的。线性决策规则(LDR)提供了一个有趣的基于模拟的框架,通过两阶段随机模型为MSLP找到高质量的政策。然而,在实际应用中,当使用LDR时要估计的参数的数量可能接近或高于样本平均近似问题的场景的数量,从而在样本外模拟中产生样本内过拟合和差的性能。在本文中,我们提出了一种新的正则化LDR解决MSLP的基础上AdaLASSO(自适应最小绝对收缩和选择算子)。我们的目标是使用简约原则,主要是在高维线性回归模型的研究,以获得更好的样本外性能的LDR应用于MSLP。计算实验表明,过拟合的威胁是不可忽略的,当使用经典的非正则LDR解决LHDP,研究最多的MSLP与相关应用之一。我们的分析强调了与非正则化基准相比,所提出的框架的以下好处:1)非零系数(模型简约性)的数量显着减少,2)样本外评估的成本大幅降低,3)改善现货价格曲线。
2023-01-05 cs.LG cs.SY econ.EM
EmbodiedGPT: Vision-Language Pre-Training via Embodied Chain of Thought
The University of Hong Kong(香港大学);Shanghai AI Laboratory(上海人工智能实验室);Noah’s Ark Laboratory(诺亚方舟实验室)
提出端到端多模态基础模型 EmbodiedGPT,通过构建 EgoCOT 数据集、前缀微调 7B LLM 及提取任务特征闭环,显著提升了具身智能体的规划与控制能力。
2023-09-13 cs.AI cs.CV cs.LG
Graph Representation Learning for Energy Demand Data: Application to Joint Energy System Planning under Emissions Constraints
MIT Energy Initiative (MITEI)(麻省理工学院能源倡议(MITEI))
为了实现本世纪中期的二氧化碳减排目标,必须对现有的电力和天然气(NG)基础设施进行快速改造。这就需要在有代表性的需求和供应模式、操作限制和政策考虑下对联合动力天然气系统进行长期规划。我们的工作是出于计算和实际的挑战与解决发电和输电扩展问题(GTEP)的电力天然气系统的联合规划。具体来说,我们专注于有效地提取一组代表性的天从电力和NG数据在各自的网络,并使用此集合来减少所需的计算负担,以解决GTEP。我们提出了一个多时间分辨率能源系统(GAMES)的图形自动编码器,以捕获相互依赖的网络中的时空需求模式,并考虑到可用数据的时间分辨率的差异。所得到的嵌入用于聚类算法中以选择代表性的日子。我们评估我们的方法在解决GTEP制定校准的联合电源NG系统在新英格兰的有效性。该公式说明了电力和天然气系统之间的物理相互依赖性,包括联合排放约束。我们的研究结果表明,从GAMES获得的一组代表性的日子,不仅使我们能够可追溯地解决GTEP制定,但也实现了较低的成本,实施联合规划决策。
2022-09-24 cs.LG cs.SY eess.SY