A Subjective Model of Human Decision Making Based on Quantum Decision Theory
KTH Royal Institute of Technology(瑞典皇家理工学院)
人类决策的计算机建模非常重要,例如,可持续交通、城市发展和在线推荐系统。在本文中,我们提出了一个模型来预测一个人的行为,在一个二元游戏中,不同的风险,收益和时间压力。该模型是基于量子决策理论(QDT),这已被证明,使建模的非理性和主观方面的决策,不占经典的累积前景理论(CPT)。在两个不同数据集上的实验表明,我们基于QDT的方法优于基于CPT的方法和数据驱动的方法,如前馈神经网络和随机森林。
2021-01-14 cs.AI
Arguing for Decisions: A Qualitative Model of Decision Making
Universidad Simon Bolivar(西蒙·玻利瓦尔大学)
我们开发了一个决策的定性模型,有两个目的:描述人们如何做出简单的决策,并使计算机程序做同样的事情。目前基于规划或决策理论的方法要么忽略了不确定性和权衡,要么提供了太复杂的语言和算法来完成这项任务。该模型提供了一种基于规则的语言,基于高概率和词典编纂偏好的语义,以及一个透明的决策过程,其中支持和反对决策的原因相互作用。该模型不能替代决策理论,但对于人们认为容易解释的决策,它可能提供一个有吸引力的替代方案。
2013-02-13 cs.AI
Conditions for Normative Decision Making at the Fire Ground
The Main School of Fire Service(消防勤务总学校)
我们讨论了在火场决策的态度的变化。这些变化是由最近的技术转变推动的。新兴的传感和数据处理新方法(在网络物理系统的共同保护伞下)允许拉平人类和机器之间在感知火场方面的差距。此外,描述性决策理论的结果质疑人类选择的合理性。这就需要寻找和测试在紧急情况下进行决策的新方法。我们提出了满足这一需求的框架。该框架的主要特点是有可能将规范性和规范性方法纳入决策过程。该框架还允许比较人类和机器之间的决策性能。
2015-12-15 cs.AI
A Method for Determining Weights of Criterias and Alternative of Fuzzy Group Decision Making Problem
Kim Il Sung University(金日成大学)
针对决策者对准则有不同形式的偏好信息的模糊群决策问题,建立了准则权重的确定模型,并利用所建立的模型和准则之间的关系分析,给出了确定最优方案的方法。
2017-05-16 cs.AI
Interval-valued q-Rung Orthopair Fuzzy Choquet Integral Operators and Its Application in Group Decision Making
Jiangxi University of Finance and Economics(江西财经大学)
用区间值q阶正射模糊集(IVq-ROFS)进行评价,使决策者更加灵活,为模糊决策提供了更广阔的应用空间。同时,Choquet积分是非可加集函数(模糊测度)来直接描述属性之间的相互作用,特别是在实际问题中存在大量属性之间具有相关性的问题,因此,本文提出了基于区间值q-阶正射模糊集Choquet积分的相关算子和群决策方法,首先,区间值q阶正射模糊Choquet积分平均算子(IVq-ROFCA)和区间值q-阶正射模糊Choquet积分几何算子(IVq-ROFCG),证明了它们的基本性质,并在IVq-ROFCA和IVq-ROFCG的基础上构造了几种算子。最后,通过高血压预警管理系统的实现,表明本文提出的算子和群决策方法能够处理现实中的复杂决策案例,决策结果与医生的诊断结果一致,而且,与其他算子的结果比较表明,所提出的算子和群决策方法是正确有效的,决策结果不受q值变化的影响。
2021-11-30 cs.AI
Sequential Counterfactual Decision-Making Under Confounded Reward
我们调查随机试验的局限性时,感兴趣的原因是混淆的效果,通过形式化的反事实的政策空间,代理人的自然偏好输入到软干预。
2022-06-05 cs.AI
Bipolar Fuzzy Soft sets and its applications in decision making problem
Quaid-i-Azam University(真纳大学)
在这篇文章中,我们结合了双极模糊集和软集的概念。我们引入了双极模糊软集的概念,并研究了它的基本性质。研究了双极模糊软集上的基本运算。定义了两个双极模糊软集的扩张并、交。并给出了双极模糊软集在决策问题中的应用。给出了利用双极模糊软集求解决策问题的一般算法。
2013-03-23 cs.AI
Decision Making Using Probabilistic Inference Methods
Stanford University(斯坦福大学);Rockwell International Science Center(罗克韦尔国际科学中心)
不确定性条件下的决策分析与概率推理分析密切相关。事实上,对专家系统中概率推理的有效方法的许多研究都是由决策理论的基本规范性论点所激发的。在本文中,我们将展示如何发展这些有效的方法可以立即应用到决策问题。除了一般的方法,需要知道什么实际的概率推理方法,我们提出了一些简单的修改聚类算法家族,以有效地将决策能力。
2013-03-13 cs.AI
Dynamic consistency and decision making under vacuous belief
George Mason University(乔治梅森大学)
经济学中关于无知决策的思想与计算机科学中关于不确定性表示的思想相结合。这一组合为人工代理如何以动态一致的方式行事的问题提供了新的思路。通过对相容性测度采用迭代期望律,形式化了序列相容性的概念。给出了Nehring-Puppe偏好的确定性等价算子序列相容的充要条件。这一结果为不确定性条件下的决策模型提供了新的思路。
2012-02-14 cs.AI
Decision Making with Linear Constraints on Probabilities
SUNY College of Technology(纽约州立大学技术学院)
决策技术与条件概率的线性约束的知识进行检查。这些约束在许多情况下自然出现:上和下条件概率是已知的;概率之间的排序是确定的;边际概率或这些概率的界限是已知的,例如,数据以概率数据库的形式提供(Cavallo和Pittarelli,1987 a);等。风险和不确定性下的决策的标准情况也可以由线性约束来表征。这些类型的信息中的每一个可以由数值确定的条件概率的凸多面体表示。基于Hurwicz准则的推广形式,提出了一种在风险、不确定性和部分不确定性条件下进行决策的统一方法,并给出了处理边际概率以改进决策的方法。
2013-03-27 cs.AI
Playing against Nature: causal discovery for decision making under uncertainty
National Institute of Astrophysics Optics and Electronics (INAOE)(国家天体物理、光学与电子学研究所(INAOE))
我们考虑不确定性下的决策问题,决策者可用的选项和由此产生的结果是通过一个因果机制,这是未知的决策者。我们问如何决策者可以了解这种因果机制,通过顺序决策以及使用当前的因果知识内的每一轮,以作出更好的选择,她没有考虑因果知识,并提出了一个决策过程中,代理持有\textit{beliefs}她的环境,用于作出选择,并使用所观察到的结果进行更新。作为概念的证明,我们提出了一个实现这个因果决策模型,并将其应用在一个简单的场景。我们表明,该模型实现了类似于经典Q学习的性能,同时它也获得了环境的因果模型。
2018-07-03 cs.AI
Towards a Quantum-Like Cognitive Architecture for Decision-Making
Queensland University of Technology(昆士兰科技大学);Instituto Superior Técnico(高等技术学院);INESC-ID(INESC-ID研究所)
我们提出了一个替代和统一的决策框架,通过使用量子力学,提供了更广泛的认知和决策模型,能够代表更多的信息比经典模型。这个框架可以容纳和预测Lieder & Griffiths中报告的几种认知偏差,而不依赖于心理学,也不依赖于对心灵计算资源的假设。
2020-11-08 cs.AI
Possibility neutrosophic soft sets with applications in decision making and similarity measure
Çankırı Karatekin University(昌克勒卡拉泰金大学)
本文定义了可能性代数软集的概念及其运算,并研究了它们的性质。这一理论在决策中的应用进行了研究。本文还引入并讨论了两个可能性概率软集的相似度量。最后给出了该相似性测度在企业职位选择中的应用。
2014-07-09 cs.AI
Belief Propagation for Structured Decision Making
University of California, Irvine(加州大学尔湾分校)
变分推理算法(如置信传播)对我们学习和使用图形模型的能力产生了巨大的影响,并为开发或理解精确和近似推理提供了许多见解。然而,变分方法还没有被广泛采用的决策图形模型,往往制定通过影响图,包括集中和分散(或多代理)的决定。在这项工作中,我们提出了一个通用的变分框架解决结构化合作决策问题,使用它来提出几个信念传播类算法,并分析他们的理论和经验。
2012-10-16 cs.AI
Decision-Making in Reinforcement Learning
Gautam Buddha University(乔达摩佛陀大学)
在这项研究工作中,研究了概率决策方法,例如贝叶斯和玻尔兹曼策略,以及各种确定性探索策略,例如贪婪,ε-贪婪和随机方法。在这项研究工作中,概率和确定性决策方法之间进行了比较研究,实验在OpenAI健身房环境中进行,解决推车杆问题。这项研究工作讨论了深度强化学习中的贝叶斯决策方法,以及关于辍学,它如何降低计算成本。对各种勘探方法进行了比较。它还讨论了探索在深度强化学习中的重要性,以及改进探索策略如何在科学和技术方面有所帮助。这项研究工作表明,从长远来看,概率决策方法比确定性方法更好。当存在不确定性时,贝叶斯丢弃方法被证明是优于所有其他方法在这项研究工作中。
2019-06-01 cs.AI
On the Complexity of Decision Making in Possibilistic Decision Trees
IRIT(法国图卢兹大学计算机科学、电子与通信研究所);LARODEC Laboratory(拉罗德克实验室);ISG, University of Tunis(突尼斯高等商业学院,突尼斯大学)
当关于不确定性的信息不能以简单的概率方式量化时,可能性决策理论的主题通常是一个自然的考虑。可能性决策理论的发展产生了一系列的可能性准则,如悲观可能性定性效用、可能性似然占优、二元可能性效用和可能性Choquet积分。本文主要研究可能性决策树中的序贯决策问题。它提出了一个复杂的问题,找到一个最佳的策略,根据单调性的优化标准,它允许应用动态规划,提供了一个多时间减少的决策问题的研究。它还表明,可能性Choquet积分不满足这一性质,在这种情况下,优化问题是NP -困难的。
2012-02-14 cs.AI
From Preference-Based to Multiobjective Sequential Decision-Making
在本文中,我们提出了基于偏好和多目标序列决策之间的联系。虽然将多目标问题转换为基于偏好的问题是很自然的,但另一个方向就不那么明显了。我们提出了如何转换(从偏好为基础的多目标)可以在经典的条件下,偏好的历史可以表示为加法可分解的效用和决策标准,以评估政策在一个国家是基于期望。这种联系产生了多目标顺序决策问题的新来源(即,当奖励值未知时),并证明在一种环境中开发的解决方法在另一种环境中的使用是合理的。
2017-01-03 cs.AI
Decision-making processes in the Cognitive Theory of True Conditions
Universidad de Salamanca(萨拉曼卡大学);Grupo de Investigación en Minería de Datos (MiDa)(数据挖掘研究组(MiDa))
真条件认知理论(CTTC)是一种设计认知能力实现和描述符号认知结构的模型论语义的方法。CTTC的数学公式使用多可选的多排序的过去现在将来(MMPPF)结构。本文讨论了CTTC中如何描述决策过程。
2018-03-06 cs.AI
Anytime Decision Making with Imprecise Probabilities
SUNY Institute of Technology(纽约州立大学理工学院)
本文探讨的决策方法,能够适应的形式,其中有关的决策问题的不确定性可以现实地表示和计算时间的数量之前,必须作出决定的限制。该方法是Boddy和Dean 1991意义上的任意时刻算法。本文介绍了Frisch和Haddawy [1992]的任意时刻演绎系统、Nilsson [1986]概率逻辑的任意时刻适应以及概率数据库模型的技术。
2013-02-27 cs.AI
Flexibly-bounded Rationality and Marginalization of Irrationality Theories for Decision Making
本文重新审视了有限理性理论的一个扩展--柔性有限理性理论。理性决策涉及到使用几乎总是不完美和不完整的信息,以及一些智能机器,如果它是一个人,它是不一致的决策。在有限理性中,这个决定是在不考虑要使用的信息是不完整和不完美的以及人类大脑是不一致的这一事实的情况下做出的,因此这个决定是在这些限制的范围内做出的。在柔性有限理性理论中,采用了先进的信息分析方法,利用相关机来补充缺失信息,利用人工智能来做出更加一致的决策。因此,灵活有限理性扩大了理性的运用范围。由于人的决策本质上是非理性的,本文提出了决策中非理性的边际化理论,以解决非理性存在下的满意问题。
2013-06-09 cs.AI
Explainable Decision Making with Lean and Argumentative Explanations
Nanyang Technological University(南洋理工大学);Imperial College London(伦敦帝国理工学院)
人们普遍认为,自动化决策的透明度对于智能系统的可部署性至关重要,解释为什么有些决策是“好”的,而有些则不是,是实现这种透明度的一种方法。我们考虑决策的两种变体,其中“好”的决策相当于(i)满足“大多数”目标的替代方案,以及(ii)满足“最优选”目标。然后,我们定义,对于每个变量和概念的“善良”(与文献中的一些现有概念相对应),以两种格式解释,为具有不同需求和能力的受众选择替代方案的理由:精益的解释,在满足的目标方面,对于一些“善良”的概念,替代性的决定,和论证性的解释,反映导致选择的决策过程,同时对应于精益解释。为了定义论证性解释,我们使用基于推理的论证(ABA),一种众所周知的结构化论证形式。具体来说,我们定义ABA框架,使“好”的决定是可受理的ABA参数,并从争议树制裁这种可受理性的争论性解释。最后,我们实例化我们的整体框架,可解释的决策,以适应目标和决策之间的连接,决策图纳入废止和非废止信息。
2022-01-24 cs.AI
Decision-Making with Complex Data Structures using Probabilistic Programming
Charles River Analytics(查尔斯河分析公司)
现有的决策理论推理框架,如决策网络,使用简单的数据结构和过程。然而,决策通常是基于复杂的数据结构,如社交网络和蛋白质序列,以及涉及这些结构的丰富过程。我们提出了一个框架,用于表示决策问题与复杂的数据结构使用概率编程,允许概率模型创建与程序设计语言结构,如数据结构和控制流。我们提供了一种方法来使用任意的数据类型,从用户的努力最小,和一个近似的决策算法是有效的,即使当信息空间非常大或无限的。实验结果表明,我们的算法工作在非常大的信息空间的问题。
2014-07-11 cs.AI
Modeling of Mixed Decision Making Process
National School of Computer Sciences(国立计算机科学学院)
无论何时何地,决策都是组织成功的关键。为了做出正确的决策,个人、团队和组织都需要知识管理(管理内容)和协作(管理团队流程),以使其更加有效和高效。在本文中,我们解释了知识管理和协作的融合。然后,我们提出了一个形式化的描述混合和多模态决策(MDM)过程中,决策可能是由三种可能的模式:个人,集体或混合。最后,我们明确了基于UML-G profile的MDM过程。
2012-03-24 cs.AI
Accelerating Entrepreneurial Decision-Making Through Hybrid Intelligence
通过混合智能加速创业决策创业决策指导的设计范例和原则
2021-05-07 cs.AI cs.HC
Modeling multistage decision processes with Reflexive Game Theory
本文介绍了自反博弈论在多阶段决策问题中的应用。背后的想法是,每个决策会议有一定的参数,如“当会议正在发生”,“谁是小组成员作出决定”,“小组成员如何相互影响”等,这项研究说明了连续或顺序的决策过程,其中包括两个阶段。在第一阶段,对最终决策的参数做出决定。第二阶段是最终决策本身的实施。因为在阶段1期间,可以有多个决策会话。在这种情况下,需要两次以上的会议才能做出最终决定。因此,最终决策的整个过程变成了由连续的决策会议组成的多阶段决策过程。
2012-03-11 cs.AI cs.MA
Decision-Making Technology for Autonomous Vehicles Learning-Based Methods, Applications and Future Outlook
Delft University of Technology(代尔夫特理工大学)
自主车辆在民用和军事领域都有着巨大的应用潜力,随着科学和经济的快速发展,自主车辆已成为研究的热点。本文简要介绍了基于学习的自主车辆决策技术,因为它对自主车辆的安全和高效性能具有重要意义。首先,给出了决策技术的基本轮廓。其次,对基于学习的自主车辆决策方法的相关研究进行了综述,并与经典决策方法进行了比较。此外,总结了决策方法在现有自主车辆中的应用。最后,对自主车辆决策技术的未来研究方向进行了展望。
2021-07-02 cs.AI cs.RO
Using AI Uncertainty Quantification to Improve Human Decision-Making
DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本研究通过两项在线实验证明,实例级不确定性量化能改善人类决策,且其益处具有跨表示形式的普遍性。
2024-02-06 cs.AI cs.HC
Decoding AI's Nudge: A Unified Framework to Predict Human Behavior in AI-assisted Decision Making
Purdue University(普渡大学)
本文提出一个统一计算框架,将AI辅助视为决策中的“助推”,通过可解释地建模人类信息权衡策略的变化来预测AI辅助决策行为,并在真实数据上验证其优于基线方法,同时揭示不同认知风格个体受AI助推的差异。
2024-01-11 cs.AI cs.HC
Natural Language Generation enhances human decision-making with uncertain information
Edinburgh Napier University(爱丁堡纳皮尔大学);Heriot-Watt University(赫瑞-瓦特大学)
决策通常依赖于不确定的数据,例如与置信度得分或概率相关的数据。我们提出了一个不同的信息呈现不确定数据的比较,并首次衡量其对人类决策的影响。我们表明,使用自然语言生成(NLG),提高决策的不确定性,与最先进的基于图形的表示方法。在一项针对442名成年人的基于任务的研究中,我们发现,使用NLG的演示文稿比图形演示文稿平均提高了24%的决策能力,当NLG与图形相结合时,决策能力提高了44%。我们还表明,当呈现NLG输出时,女性获得了更好的结果(与图形演示相比,平均增加了87%)。
2016-08-15 cs.AI cs.CL
From Cognitive to Computational Modeling: Text-based Risky Decision-Making Guided by Fuzzy Trace Theory
The University of Auckland(奥克兰大学)
由于内在的个体差异和非理性,理解,建模和预测人类风险决策是具有挑战性的。模糊迹理论(FTT)是一种强大的范式,它通过结合要点来解释人类决策,即,信息的模糊表示,只捕捉其本质意义。受Broniatowski和Reyna的FTT认知模型的启发,我们提出了一个计算框架,它结合了底层语义和情感对基于文本的决策的影响。特别是,我们引入类别2-向量学习分类主义者和分类情绪,并展示了如何优化我们的计算模型,以预测群体和个人的风险决策。
2022-05-15 cs.AI cs.CL
A Decision-Making Support System Based on Know-How
所描述的研究成果涉及:-开发领域建模方法和工具,为计算机集成制造决策支持系统的设计和实现提供支持; -建立基于专有技术的决策支持系统及其软件环境。该研究由日本NEDO资助。
2006-06-02 cs.AI cs.CE
Safe Decision-making for Lane-change of Autonomous Vehicles via Human Demonstration-aided Reinforcement Learning
Nanyang Technological University(南洋理工大学);Energy Research Institute, Nanyang Technological University(南洋理工大学能源研究院)
决策对于自动驾驶中的车道变换至关重要。强化学习(Reinforcement learning,RL)算法旨在识别各种情况下的行为值,因此成为解决决策问题的一条有前途的途径。然而,运行时安全性差,阻碍了基于RL的决策策略,从复杂的驾驶任务在实践中。为了解决这个问题,人的示范纳入RL为基础的决策策略在本文中。在驾驶模拟器中由人类受试者做出的决定被视为安全演示,其被存储到重放缓冲器中,然后用于增强RL的训练过程。一个复杂的车道变换任务,在出口匝道的情况下,建立检查所开发的策略的性能。仿真结果表明,人工演示可以有效地提高强化学习决策的安全性。所提出的策略优于其他现有的基于学习的决策策略,就多种驾驶性能。
2022-07-07 cs.AI cs.RO
Determinants of LLM-assisted Decision-Making
Ferdinand Porsche Mobile University of Applied Sciences (FERNFH)(费迪南德保时捷移动应用科学大学(FERNFH))
本文通过系统文献分析,梳理了透明度、提示工程、情绪、任务难度等影响LLM辅助决策的决定因素,并提出依赖框架揭示其相互依赖关系,为优化人机协作决策和LLM界面设计提供理论基础。
2024-02-27 cs.AI cs.HC
Visualizing the decision-making process in deep neural decision forest
Hong Kong University of Science and Technology(香港科技大学)
深度神经决策森林(NDF)通过结合决策树和深度表示学习,在各种视觉任务上取得了显着的性能。在这项工作中,我们首先跟踪该模型的决策过程,并可视化显着性图,以了解输入的哪一部分对分类和回归问题的影响更大。然后,我们将NDF应用于多任务坐标回归问题,并展示了路由概率的分布,这对于解释NDF是至关重要的,但没有显示回归问题。用于可视化的预训练模型和代码将在https://github.com/Nicholasli1995/VisualizingNDF上提供
2019-04-19 cs.AI cs.CV
Prediction Based Decision Making for Autonomous Highway Driving
University of Surrey(萨里大学);University of Warwick(华威大学);Warwick Manufacturing Group(华威制造集团)
由于交通固有的复杂性和不确定性,自动驾驶决策是一项具有挑战性的任务。例如,相邻车辆可以随时改变车道或超车,以超过慢速车辆或帮助交通流量。预测周围车辆的意图,估计它们的未来状态并将其整合到自动驾驶汽车的决策过程中,可以提高复杂驾驶场景中自动驾驶的可靠性。提出了一种基于预测的深度强化学习(PDRL)决策模型,该模型在高速公路驾驶决策过程中考虑了周围车辆的操纵意图。该模型使用真实的交通数据进行训练,并通过仿真平台在各种交通条件下进行测试。结果表明,与深度强化学习(DRL)模型相比,所提出的PDRL模型通过减少碰撞次数来提高决策性能,从而实现更安全的驾驶。
2022-09-05 cs.AI cs.RO
Decision-Analytic Approaches to Operational Decision Making: Application and Observation
Stanford University(斯坦福大学);Sun Microsystems, Inc(太阳微系统公司)
决策分析(DA)和研究人员在不确定性下的决策开发的一套丰富的工具显示出巨大的潜力,渗透的技术内容的产品和服务提供的公司在各个行业以及业务流程,用于提供这些产品和服务的市场。在本文中,我描述的工作进展在Sun微系统公司在其全球运营(WWOPS)业务管理组的应用决策分析方法的运营决策(ODM)。WWOPS的运营规划人员与产品工程、营销和销售人员合作,开始使用称为SCRAM(供应沟通/风险评估和管理)的决策分析框架来构建和解决产品规划、跟踪和过渡中的问题。信息价值等概念提供了一种管理大量信息集的强大方法,从而使管理人员能够将注意力集中在对其业务最重要的因素上。最后,我们的过程为导向的决策分析方法,Sun的管理人员,导致了一个集中的努力,开发决策支持软件的基础上的方法,在不确定性的决策。
2013-02-13 cs.AI cs.CY
The human-AI relationship in decision-making: AI explanation to support people on justifying their decisions
IBM Research Brazil(IBM巴西研究院);Federal Fluminense University(弗鲁米嫩塞联邦大学)
人工智能系统的解释维度是近年来的研究热点。不同的社区对人工智能在人们日常工作中的日益增多以及它如何影响人们的生活提出了担忧。有很多研究涉及可解释AI(XAI)的可解释性和透明度概念,这些概念通常与算法和机器学习(ML)模型有关。但在决策场景中,人们需要更多地了解人工智能的工作原理及其结果,以与该系统建立关系。决策者通常需要向不同领域的其他人证明其决策的合理性。如果该决策以某种方式基于人工智能系统的结果或受其影响,那么解释人工智能如何达到该结果是在决策场景中建立人工智能和人类之间信任的关键。在这份立场文件中,我们讨论了XAI在决策场景中的作用,我们对AI系统决策的愿景,并从文献中探讨了XAI如何影响人们证明其决策的一个案例,考虑到为这些场景建立人与AI关系的重要性。
2021-02-22 cs.AI cs.HC
Probabilistic Loss and its Online Characterization for Simplified Decision Making Under Uncertainty
Technion - Israel Institute of Technology(以色列理工学院)
这是一个长期的目标,以减轻计算负担所产生的决策过程。识别这种机制对简化的敏感性具有巨大的影响。然而,不确定性下的决策算法通常依赖于近似或近似,而不量化其效果。因此,具有挑战性的情景可能会严重损害这些方法的性能。在本文中,我们扩展到整个决策机制,删除标准的近似值,并考虑到所有以前抑制的随机变异源。在此扩展之上,我们的主要贡献是一个新的框架,以简化决策,同时在线评估和控制简化的影响。此外,我们提出了新的随机边界上的回报和在线特征的效果,简化使用这个框架上的一个特定的简化技术-减少规划的信念表示的样本数量。最后,我们通过大量的模拟验证了我们的方法的优点。
2021-05-12 cs.AI cs.RO
Beyond Accuracy: How AI Metacognitive Sensitivity improves AI-assisted Decision Making
Department of Cognitive Sciences University of California, Irvine(认知科学系 加州大学尔湾分校)
本文提出AI元认知敏感性在辅助决策中的关键作用,构建理论框架并验证其与预测准确率的联合影响,发现高敏感性可提升人类决策表现。
2025-08-13 cs.AI cs.HC
STRUX: An LLM for Decision-Making with Structured Explanations
Emory University(埃默里大学);University of Central Florida(中佛罗里达大学)
本文提出 STRUX 框架,通过将信息提炼为关键事实表并自我反思分类为有利或不利因素,微调 LLM 生成结构化解释以优化决策,在股票投资预测任务中超越基线并提升透明度。
2024-10-16 cs.AI cs.CL
Closure operators: Complexity and applications to classification and decision-making
Caltech(加州理工学院)
我们研究闭包算子的复杂性,并将其应用于机器学习和决策理论。在机器学习中,闭包算子在数据分类和聚类中自然出现。在决策理论中,他们可以模拟选择菜单的等价性,因此也可以模拟偏好灵活性的情况。我们的贡献是制定一个概念的复杂性的封闭运营商,这转化为ML中的分类器的复杂性,或决策理论中的效用函数。
2022-05-23 cs.AI econ.TH
Human-Centric Reflective Architecture for Human-AI Collaborative Decision-Making
University of Piraeus(比雷埃夫斯大学)
研究人类与人工智能协作决策问题,将其建模为随机博弈,提出以人类为中心的反思架构,整合人类校准模型与强化学习智能体,提升决策有效性并给出高质量建议。
2026-07-07 cs.AI cs.MA
Personalized Decision Making -- A Conceptual Introduction
个性化决策针对特定个体的行为,而基于群体的决策关注与该个体相似的子群体。本文阐明了两者之间的区别,并解释了为什么前者会导致更明智的决定。我们进一步表明,通过结合实验和观察研究,我们可以获得有价值的个人行为的信息,从而改善决策,从实验研究中获得的。
2022-08-19 cs.AI cs.LO stat.ME
DeLLMa: Decision Making Under Uncertainty with Large Language Models
University of Southern California(南加州大学)
本文提出DeLLMa框架,通过整合推理时计算扩展、决策理论与效用理论的多步推理过程,提升大型语言模型在不确定性环境下的决策准确性,实现高达40%的准确率提升。
2024-10-11 cs.AI cs.CL cs.LG
Developing moral AI to support antimicrobial decision making
Imperial College London(伦敦帝国理工学院);National Institute for Health Research(国家健康研究所)
人工智能(AI)协助抗生素处方引发了重大的道德问题。利用道德框架和人工智能驱动的系统,同时考虑感染的具体复杂性,可以支持道德决策,以解决抗生素耐药性问题。
2022-08-12 cs.AI cs.CY cs.LG
Fairness and Sequential Decision Making: Limits, Lessons, and Opportunities
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of California, Berkeley(加州大学伯克利分校);Microsoft Research(微软研究院)
随着自动决策和决策辅助系统在日常生活中变得越来越普遍,关于预防或减轻这些系统所做决策产生的潜在危害的研究也越来越多。然而,不同的研究团体已经独立地对这些危害进行了概念化,设想了潜在的应用,并提出了干预措施。其结果是一个有点破碎的文学景观一般集中在确保决策算法“做正确的事情”。在本文中,我们比较和讨论的工作在两个主要子集的文献:算法公平性,主要集中在预测系统,道德决策,主要集中在顺序决策和规划。我们探讨这些设置如何表达其规范性的问题,这些不同的设置不同的技术的可行性,以及如何从每个设置的想法可能有其他的效用。
2023-01-13 cs.AI cs.CY cs.LG
Building Decision Making Models Through Language Model Regime
Alibaba Group(阿里巴巴集团)
本文提出LTU两阶段方法,通过跨领域预训练构建基础决策模型并面向场景微调,利用LLM增强单步与多步决策的泛化能力。
2024-08-12 cs.AI cs.CL cs.LG
On The Statistical Complexity of Offline Decision-Making
Johns Hopkins University(约翰斯·霍普金斯大学)
该研究针对带函数逼近的离线决策,建立了随机上下文赌博机与马尔可夫决策过程的(近)极小极大最优速率,提出严格涵盖既往数据覆盖概念的行为策略新刻画,并验证了离线数据在多类在线决策场景中的近最优效益。
2025-01-10 cs.AI cs.LG stat.ML
Personalized next-best action recommendation with multi-party interaction learning for automated decision-making
University of Technology Sydney(悉尼科技大学)
在自然、社会和商业决策中,人们广泛需要在连续、动态和交互的环境中为每个客户自动推荐下一个最佳行动。个性化的次佳行动建议必须涉及过去,当前和未来的客户人口统计数据和环境(状态)和行为,客户和决策者之间的长期顺序交互,状态,行为和行动之间的多序列交互,以及他们对对方行动的反应。没有现有的建模理论和工具,包括马尔可夫决策过程,用户和行为建模,深度顺序建模,个性化顺序推荐,可以量化这样的复杂的决策在个人层面上。我们采取数据驱动的方法来学习下一个最好的行动,个性化的决策,通过加强耦合递归神经网络(CRN)。CRN表示客户的历史和当前状态的多个耦合动态序列,对决策者行为的响应,对行为的决策奖励,并学习各方(客户和决策者)之间的长期多序列交互。然后在某个时间点对每个客户推荐下一个最佳行动,以改变他们的状态,实现最佳决策目标。我们的研究展示了多序列交互的个性化深度学习和复杂系统中个性化决策的自动动态干预的潜力。
2021-08-19 cs.AI cs.LG cs.NE
Targeted Active Learning for Bayesian Decision-Making
Aalto University(阿尔托大学);University of Manchester(曼彻斯特大学)
在监督学习中,主动学习通常用于获取信息数据点的标签,以样本有效的方式最大限度地提高准确性。然而,当结果用于决策时,例如在个性化医疗或经济学中,最大限度地提高准确性并不是最终目标。我们认为,当连续获取样本时,分离学习和决策是次优的,我们引入了一个主动学习策略,该策略考虑到了线下决策问题。具体来说,我们引入了一种新的主动学习标准,最大限度地提高预期的信息增益的后验分布的最优决策。我们将我们的目标主动学习策略与模拟和真实数据上的现有替代方案进行了比较,并在决策准确性方面表现出更好的性能。
2021-10-20 cs.AI cs.LG stat.ML
Intention-Aware Decision-Making for Mixed Intersection Scenarios
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出面向无信号行人过街场景的白盒意图感知决策,结合黑盒意图检测、白盒可追溯决策与粒子群自动参数化,实现类人、防死锁且低算力的 AV 交互。
2023-03-29 cs.AI cs.SY eess.SY
Fiduciary Responsibility: Facilitating Public Trust in Automated Decision Making
自动化决策系统正在越来越多地部署,并以多种积极和消极的方式影响公众。政府和私人机构使用这些系统根据某些人为设计的规则处理信息,以解决社会问题或组织挑战。研究和现实世界的经验都表明,公众对自动决策系统和部署它们的机构缺乏信任。软弱理论认为,如果管理自动化决策系统的机构履行其受托责任,公众更有可能信任和支持自动化决策系统做出的决策或受其影响。然而,公众往往从来不了解这些制度如何运作,也不了解由此产生的体制决定是如何作出的。自动决策系统的"黑箱“效应降低了公众对正直和可信度的看法。其结果是,公众失去了识别、质疑和纠正不公平或与公共产品或利益损失相关的成本的能力。本立场文件界定并解释了信托责任在自动化决策系统中的作用。我们将自动化决策系统定义为数据科学生命周期(DSL),并在DSL的背景下研究受托责任的影响。领域特定语言中的受托责任提供了一种方法,可以解决公众对自动决策系统和使用它们做出影响公众的决策的机构缺乏信任的问题。我们认为,信托责任体现在DSL的几个方面,每一个都需要自己的不信任来源的缓解。为了实例化受托责任,洛杉矶警察局(LAPD)预测警务案例研究。
2023-01-06 cs.AI cs.CY cs.HC
Diffusion of Responsibility in Collective Decision Making
University of Southampton(南安普顿大学);Lafayette College(拉法耶特学院)
本文研究集体决策中的责任分散问题,通过决策机制的互模拟分析证明:两智能体时唯有独裁制可避免责任分散,多智能体时则必须采用当选独裁制。
2025-06-09 cs.AI cs.GT cs.MA
Over-representation of Extreme Events in Decision-Making: A Rational Metacognitive Account
McGill University(麦吉尔大学)
可用性偏差,表现为在决策中过度描述极端可能性,是一种众所周知的认知偏差,通常被视为人类非理性的证据。在这项工作中,我们提出了第一个合理的,元认知帐户的可用性偏见,正式阐述了马尔的算法水平的分析。具体地说,我们提出了一个规范的,元认知模型的认知系统应该如何过度代表极端的可能性,这取决于其可支配的决策时间。我们的模型还解释了人类风险决策中两个众所周知的框架效应--结果概率(Tversky & Kahneman,1992)和结果幅度(Markovitz,1952)中的风险偏好的四重模式--从而为这些效应提供了第一个元认知理性基础。此外,经验证据证实了我们模型的一个重要预测。令人惊讶的是,我们的模型是不可否认的强大相对于其焦点参数。我们讨论了我们的工作对人类决策研究的影响,最后提出了一个违反直觉的预测,我们的模型,如果得到证实,将有有趣的影响,人类决策的风险。据我们所知,我们的模型是第一个元认知,资源理性的认知偏见的决策过程模型。
2018-01-30 cs.AI q-bio.NC stat.ML