GAN-Aimbots: 使用机器学习作弊于第一人称射击游戏
社交媒体中出现了越来越多的机器人欺诈行为,研究者们开发了不同类型的人工智能工具,以帮助公众对抗这些欺诈行为,其中包括 Botometer 等常用的机器人检测工具。本文综述了机器人的不同类型、它们的影响以及检测方法,并通过对 Botometer 的案例研究,详细讨论了 AI 检测工具在人们中的使用,同时谈到了在机器学习方法和反机器人攻击之间的必要性和影响。
Jan, 2019
本研究提出了一种基于数据驱动的模仿学习技术的自动游戏验证和测试方法,该方法需要很少的工作量和时间,设计师们可以用它来高效地训练游戏测试代理。研究结果表明,我们的方法确实是一种有效的游戏验证方法,数据驱动编程也将是减少游戏测试工作量和提高现代游戏测试质量的有用辅助工具。
Aug, 2022
如何检测和缓解欺骗性人工智能系统是安全可信的人工智能领域的一个开放问题。本文分析了两种缓解欺骗的算法:第一种基于路径特定目标框架,消除激励欺骗的路径;第二种基于护盾,即监控不安全策略并替换为安全参考策略。我们构建了两个简单的游戏,并进行了经验评估。发现这两种方法均能确保我们的代理不欺骗,但护盾倾向于实现更高的回报。
Jun, 2023
我们提出了一种使用机器学习和游戏化技术的意识系统,用于教育人们有关投资诈骗和陷阱的知识,旨在通过主动学习教育投资者来降低各国间的不平等,帮助监管机构确保一个公平、高效和包容的资本市场环境。
Aug, 2023
生成式人工智能技术(GenAI)可能被用于积极和消极目的,这篇论文讨论了 GenAI 所带来的双重用途困境,并提出了针对此问题的短期和长期目标,旨在引发学术界对此重要主题的深入讨论。
Aug, 2023
调查研究教职员工对学生作弊普遍性的感知以及生成式人工智能对学术诚信的影响,通过对乌普萨拉大学信息技术系教师的匿名调查数据和 2004 至 2023 年作弊调查的机构统计数据的分析,结果显示教师普遍不认为作弊普遍,但他们强烈认为作弊案例在增加,可能由于生成式人工智能的可获取性。大多数教师不将人工智能使用与作弊等同,但承认学生广泛使用它。此外,教师的感知与作弊趋势的客观数据相一致,凸显了他们对学术不诚实的不断演变的认识。
May, 2024
本文回顾了近期深度学习在不同类型的游戏中(例如第一人称射击、街机游戏和实时策略游戏)的应用,分析了不同游戏类型对深度学习系统的独特需求,并强调了应用这些机器学习方法到视频游戏领域的重要挑战,例如通用游戏演奏、处理极大的决策空间和稀疏回报等。
Aug, 2017
该研究调查了六种主要的生成型人工智能(GenAI)文本检测器在面对经过修改以逃避检测的机器生成内容时的效力(n=805)。结果表明,当面对被篡改的内容时,这些检测器的准确率(39.5%)会大幅下降(17.4%),而某些技术在逃避检测方面比其他技术更有效。这些结果显示,当前这些工具的准确性限制和潜在的错误指控表明它们目前不能用于确定是否存在学术诚信的违规行为,突显了教育工作者在维持包容和公平的评估实践方面面临的挑战。然而,它们在非惩罚性的使用中可能在支持学生学习和维护学术诚信方面发挥作用。这些结果强调了在学术界处理生成型人工智能所带来的挑战时需采用综合方法来促进这些新兴技术的负责和公平使用。该研究得出结论,AI 文本检测器目前的局限性要求在高等教育中对其实施采取批判性的方法,并提示了 AI 评估策略的可能替代方案。
Mar, 2024
通过 GAM Changer 这个开源的互动系统,使用可视化技术使得机器学习领域的数据科学家和领域专家能够轻松地分析、验证、调整他们的广义可加模型,从而消除模型中潜在的不可取的模式。
Dec, 2021
本文介绍了由机器学习、人机交互研究员、医生和数据科学家联合开发的第一个交互式系统 GAM Changer,能够帮助领域专家轻松编辑广义加性模型(GAMs)并修复存在的问题,使其满足其知识和价值观。且该工具易于使用、符合编辑需要,可满足当前工作流程。
Jun, 2022