Feb, 2013

决策辩论：决策制定的定性模型

PDF
TL;DR我们提出了一种基于规则的、基于高概率和词典排序偏好的语义、透明决策程序的质性决策模型，该模型可以描述人们如何做出简单的决策，并使计算机程序能够做同样的事情。
发现论文，激发创造
  • 不确定性建模

    通过对哲学、心理学和经济学理论建立数学离散模型，结合社会选择和偏好建模技术进行数据分析，旨在更好地了解人们所做出决定时的犹豫行为，以优化人工智能系统的行为表现。

    Dec, 2020

  • 建模人类决策：布鲁塞尔量子方法概述

    该研究提出了量子理论方法来模拟无法用经典逻辑和概率结构来模拟的认知现象，并解释了人类推理中的谬误是由量子结构所导致的。

    Jul, 2018

  • 论证理论中的犹豫形式和规范

    本文旨在揭示哲学中关于未决状态的发现与认知，以及探讨将未决状态纳入到论证理论中的影响。通过研究哲学中与未决状态相关的范式和标准，我们能够更好地理解论证理论中不同的不确定证据情况。

    Mar, 2022

  • Lean 和 Argumentative 解释下的可解释决策制定

    论文探讨了如何针对目标导向决策与论证性解释构建透明度的自动决策框架，其中使用基于假设的论证建模确保了 “好” 的决策的合理性，进而为不同用户提供精简与论证两种形式的解释。

    Jan, 2022

  • 不确定性决策：超越概率

    本文综述了决策制定中的不确定性状态，并关注走在经典解释之外的不确定性，尤其是区分了可变性不确定性和认知不确定性。作者提供了多种解决方案，包括离散和连续模型，从正式验证、控制抽象到强化学习，以优秀解法应对认知不确定性，并列举和讨论了处理丰富类型不确定性时出现的重要挑战。

    Mar, 2023

  • 通识道德决策的计算模型

    提出了一种基于社交动态的常识道德学习模型，描述了道德困境的效用函数，用于解决抽象的道德维度上的交易，并通过贝叶斯模型刻画了个体和团体的社会结构，从有限的观测数据中推断出个体和团体的道德价值，并将该方法应用于自主车辆道德困境数据。

    Jan, 2018

  • Indecision Trees：基于论证的推理在量化不确定性下的学习

    介绍了一种加入不确定性学习的修改决策树的方法 ——Indecision Trees，可以提供一个稳健的标签概率分布，并可以在其他推理系统中使用。

    Jun, 2022

  • 预测人类决策的认知模型先验

    本文提出了两个贡献：通过预训练神经网络和构建 “认知模型先验” 以捕捉人类行为的归纳偏见，使得机器学习方法在小样本数据集上能够显著提高预测准确率；基于超过 240,000 项人类决策的大规模数据集，揭示出认知模型先验适用的情况，并为人类决策预测建立了新的基准。

    May, 2019

  • 利用决策建模挽救数据科学

    本文提倡数据科学领域采用 AI 中的贝叶斯方法以建立一个新的应用研究方案，其中包含六个决策质量原则，称为 “决策建模”，并以 ROC 曲线和效用模型为例。

    Jun, 2023

  • 应用行为学理论和机器学习预测人类决策

    通过预测人类在经济资本决策任务中的选择来测试行为决策理论在预测人类行为方面的帮助作用，并发现将某些行为理论作为机器学习系统特征进行集成提供了最佳预测结果。同时，我们发现预测人类决策最有用的理论是建立在人类和动物学习的基本属性之上，与主流拓展类决策理论有很大不同。此外，我们发现理论特征不仅应基于定性行为见解（例如损失厌恶），还应基于具有功能描述性模型生成的定量行为远见（如前景理论）。我们的分析提出了一个推导出可解释且有用的人类决策预测的方法。

    Apr, 2019