Mar, 2022

解释基于偏好的日程安排：EXPRES 框架

PDF
TL;DR本文介绍了一种基于混合整数线性规划模型的 “EXPRES 框架”，可解释资源调度方案中未能满足某些参与者首选项的原因，并且该框架通过在 J.P. Morgan 内部的用户研究中表明，当考虑员工排班情景时，EXPRES 产生的解释被员工比人工生成的解释更喜欢。
schedulingscarce resourcespreferencesai toolsexpres framework
发现论文，激发创造
  • 可解释调度的论证（带证明的完整论文）

    使用基于抽象争议框架（AFs）的模型定义了三种类型的 AFs 来证明或反驳使用者或求解器提出的面向固定用户决策的可行、高效或满意日程安排，从而提高解决约束、效率和决策问题的互动性和可解释性。

    Nov, 2018

  • 基于深度强化学习的调度多层解释

    本文提出了一个多层解释框架，用于解释基于深度强化学习的作业调度策略，该策略的决策过程被分解为作业级别和任务级别，并用可解释的模型和规则近似每个级别，以便系统管理员能更好理解和管理该调度策略

    Sep, 2022

  • 数学优化中数据驱动的可解释性框架

    通过引入解方案的可解释性作为另一个评估标准，我们可以在目标值和可解释性之间找到权衡解决方案，从而提高数学规划在实践中的易用性。

    Aug, 2023

  • 基于答案集规划的求解器调度

    本研究提出了一种使用 Answer Set Programming 自动确定精细的、非均匀且有序的求解器调度方案的方法，并且可以定制化地生成并行调度方案。

    Jan, 2014

  • AI 规划器决策的解释方法探讨

    为了建立对 AI 的信任，实现透明化且易懂的 AI 系统成为了重要问题，本文提出了一种通过 AI Planning 实现初步解释的方法，并实现在新的 XAI-Plan 框架中。

    Oct, 2018

  • 可扩展实时铁路重新调度的范围限制：探索性研究

    本文研究了铁路重新调度问题，提出了核心问题定义的思想，以应对干扰造成的列车重新调度问题，从时间和空间上限制了问题的范围，并在 Flatland 模拟环境中进行了实验，基于此提供了可扩展的开源实现。

    May, 2023

  • 多智能体环境决策解释的人工智能

    介绍了在多智能体环境下，通过提供解释来增加用户满意度的重要性，提出了一个新的研究方向 xMASE，并回顾了现有的技术水平和为提高用户满意度而生成解释的算法。

    Oct, 2019

  • 强化学习代理策略理解与可视化框架

    本研究提出了一个框架，用于学习顺序决策任务的可理解模型，通过时间逻辑公式表征代理策略，并使用一个嵌入方法对代理足迹进行聚类，得出在不同的聚类中解释代理策略的逻辑公式，通过编写一个特征提取器和一个可视化工具，对在 StarCraft II 中的战斗场景进行了评估，实验结果表明，本框架可以将代理足迹分为不同的行为组，并为每个行为组提供一致、有意义且易于理解的策略描述。

    Aug, 2022

  • 基于拍卖的调度

    基于拍卖的调度是一种用于多目标决策问题的模块化框架，它使用单独的策略来实现每个目标，并通过拍卖机制解决冲突和组合策略，同时提供长期调度公平性。本研究解决了路径规划问题上的基于拍卖的调度基础，并提出了分散算法来合成一对策略、初步分配的预算和出价策略，在不同的分散合成问题中进行了分类和讨论。

    Oct, 2023

  • 机器人任务规划的可解释性和可预测性

    针对智能机器人的高水平任务计划存在的问题，提出了 “计划可解释性” 和 “可预测性” 的概念，通过条件随机场模型学习标签方案并对新计划进行标签，用以提高机器人计划的可解释性和可预测性，该方法经过了人机交互和实际机器人测试并取得了较好的性能。

    Nov, 2015