Jan, 2013

UCP-Networks: 一种有向图形化表示的条件效用

PDF
TL;DR提出一种新的效用函数有向图表示方式 ——UCP-networks，并结合广义加性模型和 CP-networks，将效用函数分解为一些加性因子，其中弧的方向性反映了（定性的）偏好排序的条件依赖关系，在决策中具有很高的效率。
utility functionsucp-networkspreference orderingoptimizationdecision making
发现论文，激发创造
  • CP-nets: 表示和推理条件下等价偏好声明的工具

    本文提出一种 qualitatively graphical representation，可反映 under ceteris paribus 条件下偏好陈述语的条件依赖和独立性，进而用于多种推理任务。

    Jun, 2011

  • 离散选择模型与广义可加性效用网络

    离散选择模型是一个强大的框架，用于分析决策行为，为决策者和企业提供有价值的洞察。GAUNet 是一种基于广义可加模型的神经网络结构的效用函数，用于离散选择模型。在东京的旅行调查数据上，我们的模型与 ASU-DNN 在准确性上相当，并且相对于以前的模型在解释性上有所改善。

    Sep, 2023

  • 通用规划网络

    本文介绍了一种名为 UPN 的通用规划网络，该网络利用可微分的规划和梯度下降轨迹优化来学习适用于规划、泛化和目标指定的抽象表示方法，并能够成功实现跨具有不同构形和作用能力的机器人的视觉运动规划策略转移。

    Apr, 2018

  • 选择扩展图形：将网络形成建模为离散选择

    该研究提出了一个基于离散选择和随机实用理论的条件多项式 Logit 模型的社交网络形成框架，为概念化、估算和比较模型提供了灵活的手段，并展示了模型的灵活性和应用价值。

    Nov, 2018

  • 神经网络的效用概率对偶

    该研究通过提出基于需求的代替概率的解释来解释深度学习在语言生成任务中的成功，以较大程度上消除了这种学习方法中的悖论，并提出了一个新的公式，用于将学习到的效用值转换为一种新的概率估计，从而使概率兼容决策规则的性能得到大幅度提高，并揭示了现代神经网络所涉及的效用 - 概率二元性现象。

    May, 2023

  • 非线性协调图

    本研究提出了第一个非线性协调图，探讨如何在新的函数类中进行贪心行动选择，使用 LeakyReLU 激活的混合网络解决此问题，提出具有全局最优性保证的枚举方法和具有局部最优性保证的有效迭代优化方法的动机。在多个代理协调任务中取得了卓越性能。

    Oct, 2022

  • 拓展因子图以统一有向和无向图形模型

    本文介绍了两种最受欢迎的图模型：贝叶斯网络和马尔科夫随机场，并提出了一种新的图模型 —— 因子图。因子图可以将贝叶斯网络和马尔科夫随机场的优点结合起来，并采用单一的消息传递算法进行概率推断。另外，因子图是贝叶斯网络和马尔科夫随机场的严格超集。

    Oct, 2012

  • 用无向神经网络模拟结构

    该论文提出了一种灵活的框架，将因子图和神经网络的代表性强项结合起来，形成了一种能够在任何顺序下执行计算的不定向神经网络（UNNs），并证明了 UNNs 体系结构的有效性，包括树约束依赖关系分析、卷积图像分类和序列完成等任务。

    Feb, 2022

  • 使用 CP-Nets 进行偏好聚合的近似算法

    该论文研究了设计和分析适用于将组合领域中使用条件偏好网络（CP-nets）表示的偏好进行聚合的近似算法。它侧重于对所谓的 “交换” 进行偏好聚合，其中已知的最优解通常具有指数规模。我们分析了一个简单的 2 近似算法，该算法仅输出给定输入偏好中的最佳解，并确定了一种结构条件，在此条件下改进了该算法的近似比率为 4/3。然后，我们提出了一种多项式时间逼近算法，其输出的解证明不会比简单算法差，但通常更好。我们提出了一族问题实例，对于这些问题实例，我们改进的算法产生最优解，而对于任何 ε 值，简单算法都不能获得（2-ε）近似解。这些结果可能导致首个在多项式时间内解决 CP-net 聚合问题的近似算法，其近似比率明显优于 2。

    Dec, 2023

  • 游戏网络

    本文介绍了 G 网络，一种新型的多智能体决策问题表示，其中的概率和效用独立性都被捕捉在网络结构中，利用该网络可以简化推理过程并解决了发现二者间的策略均衡问题。

    Jan, 2013