团队计划中的因果关系、责任和责备
本文提出新的因果关系定义,以考虑 A 对 B 的责任程度与 A 的认知状态相关联的程度,并定义了一种责任程度的概念,用于衡量 A 对 B 的责任程度,从而得出预期的 A 对 B 的责任程度。
Dec, 2003
本文提出了一个新的实际原因的定义,通过建立结构方程模型来建立反事实关系,这个定义令人信服并优雅,解决了传统方法存在的主要问题,并且可以用来定义因果解释。
Jan, 2013
预测责任是确定个体行为是否可能导致其对特定结果负责的过程,可用于多智能体规划环境中让智能体在考虑计划时预测责任。该论文定义了主动、被动和贡献性责任的归因,考虑了智能体的变体,并使用此定义了责任预测的概念。该模型证明了我们的预期责任概念可用于协调规划环境中的智能体,并给出了复杂性结果,探讨了与经典规划的等效性。我们还提出了使用 PDDL 求解器解决一些归因和预测问题的大纲。
Jul, 2023
本文在 Dec-POMDPs 框架下研究了实际因果关系和责任归因等概念,提出了一种考虑各种因果依赖和责任能够自我调整的责任归因方法,并通过模拟实验比较了不同定义的实际因果关系和责任归因方法之间的差异和影响。
Apr, 2022
通过引入时间因果关系的惩罚机制,多智能体强化学习问题中的懒惰智能体可以在了解到其本地观察与团队回报的因果关系的基础上,在团队表现和个体能力方面得到改善。
Mar, 2023
本文旨在在计算预算下提供可行的算法解决归因责任问题。在引入一类特定的结构因果模型的基础上,使用蒙特卡罗树搜索方法高效地近似代理的责任度量,并通过模拟测试来评估算法效果。
Feb, 2023
利用结构方程来建模反事实,我们提出了(因果)解释的新定义。基于伴随论文中定义和推动的实际原因的概念,本文提出的解释是一个未知但如果被证明是真的,无论代理人最初的不确定性如何,都将构成被解释事实的实际原因。我们证明了该定义正确处理了文献中的一些问题示例。
Aug, 2002
通过观察决策者的干预偏好,我们展示了可以理解和识别决策者的主观因果判断的可能性。通过使用因果模型,我们表示因果关系,其中世界由一组变量组成,通过方程式进行关联。我们证明,如果干预偏好关系满足某些公理(与关于反事实的标准公理相关),那么我们可以定义(i)一个因果模型,(ii)捕捉决策者对世界外部因素的不确定性的概率,以及(iii)与每个干预相关的预期效用,并且如果干预 A 的预期效用大于干预 B 的预期效用,则干预 A 优于干预 B。此外,我们还对因果模型的唯一性进行了描述。因此,我们的结果使建模者能够测试决策者的偏好是否与某个因果模型一致,并且从观察行为中确定因果判断。
Jan, 2024