人类对惊喜的知觉:用户研究
本文首次证明了,如何使用根植于认知科学和神经科学的惊奇计算模型,结合最先进的机器学习生成模型,来检测复杂动态环境下(如道路交通)人类行为中令人惊奇的行为。这种模型可以支持交通冲突识别、道路用户响应时间建模以及驾驶员行为评估,同时也提出了量化惊奇的新方法,并在自然驾驶场景下证明了优越性。通过学习生成模型建模惊奇行为,这一概念也可以推广到任何动态的现实环境中。
May, 2023
本文提出了一种利用 surprisal 在软件库中检测异常事件的新方法。通过对 5000 个最热门的 GitHub 软件库的问题和拉请取内容进行分析并生成推理统计数据,分析这些 surprising events 并确定它们在软件库中的重要性和可能对开发者造成的挑战。
Apr, 2022
我们提出了一种基于内容的机制,利用贝叶斯惊喜度量消费者收看并给出评分后物品的惊喜性,并结合协同过滤组件来推荐具有高惊喜潜力的物品,从而避免推荐系统中的筛泡现象。通过实验证明,使用贝叶斯惊喜能够更好地与主题级惊喜手动注释的相关性,并获得更好的推荐性能。
Aug, 2023
利用人工好奇心提高强化学习系统的探索能力,本文提出了一种利用贝叶斯惊奇度作为衡量模型参数先验和后验之间差异的方法,将其应用于代理模型的潜在空间中,大大降低计算成本,研究表明其对连续任务的环境探索和视频游戏分数的影响要好于当前最先进技术,同时具有对抗随机性环境的鲁棒性。
Apr, 2021
本研究通过一般目的的人工智能 - 人类交互方式,定量测量了 AI 推荐对人类决策的影响,从而代表了人类对 AI 的信任程度,该范例可定量比较 XAI/IAI 方法对最终用户的影响,打开了学习信任的 (机器) 可能性。
Feb, 2022
本研究提出了一种基于个性化的惊喜推荐系统模型(PURS),通过在潜在空间中提供多簇用户兴趣建模和通过自我关注机制和适当的激活函数选择实现个性化惊喜,显著优于目前现有的基于线下实验的方法,同时还可以在在线测试中提高用户平均视频观看量。
Jun, 2021
意外性是简化理论的一个核心概念,与卡尔莫格洛夫复杂度的计算相关联,而非概率。本文以三个理论猜想为基础,阐述了意外性的工作原理以及其与贝叶斯规则、示性机制的关联,为超越概率和逻辑方法的研究方向提供了线索。
Nov, 2023
该研究调查用户对算法决策公平性的看法,并提出了一个框架来了解人们如何认识和判断决策算法的公平性。他们通过与 576 人的一系列情境调查,验证了这一框架,并发现人们关注的不公平问题是多方面的。在高层次上,该研究显示人们的不公平关注是多维度的,未来的研究需解决超出歧视范围的不公平关注问题;在低层次上,研究表明人们在公平判断上存在着相当的分歧,但同时也提出了解决这些分歧的可能途径。
Feb, 2018