通过心态因果分析解释行为:初步报告
本文论述一种框架,通过交互式体验使自主代理学习抽象因果模型需要扩展并澄清现有的理论基础,该框架将动作描述为状态空间的转换,从而使描述微状态空间的转换和抽象模型的转换成为可能,进而将因果表示和干预技能学习的目标变得更加清晰。
Jun, 2022
我们提出一个新颖的框架,用于在随机序列多智能体环境中为智能体的决策提供因果解释,通过自然语言交流回答广泛的用户查询,涉及联想、干预或反事实的因果推理。该方法不假定任何特定的因果图,而是依赖于相互作用的生成模型来模拟反事实世界,从而识别决策背后的显著原因。我们将该方法应用于自动驾驶的运动规划,并在耦合交互的模拟场景中进行测试。我们的方法可以正确地识别和排名相关的原因,并向用户提供简明的解释。
Feb, 2023
该研究探讨了在交互环境下,如何从正确的干预行为进行推理,并证明了在没有操作符的情况下,一个干预仍然可以被表示为变量,进而提出了一种去除预设抽象的形式化方法,透过归纳左右的抽象层次逐渐增加,直到能够代表自我和他人的干预效应,从而实现对意图与自我认知的推理。这种方法也被认为是对意识产生影响的机械解释。
Feb, 2023
通过自我监督预训练方法,从视觉领域获取行动效果相关的可供性知识,进而证实在学习可供性特性方面,基于行动模式和效果模式的双重预训练任务比基于图像的视觉 - 语言模型以及纯语言模型更为有效。
Dec, 2023
本研究提出了一种基于条件的文本生成框架,依赖于 CausalBank 和 Cause Effect Graph 两个新资源开发,并使用词汇约束解码来支持析取正约束,利用 CausalBank 对最近一种最先进的因果推理模型的编码器进行持续训练,在不改变模型架构的情况下在 COPA 挑战集上取得了 3 分的提高。
Jul, 2021
复杂适应性代理通过解决需要理解因果信息的问题来实现其目标;因果认知研究并描述了人类和非人类动物在因果学习和推理方面的主要特征,提供了一个概念框架,可以根据任务的因果理解水平来讨论认知表现;本研究将机器学习和强化学习与因果认知相结合,构建了一个统一的因果认知框架,从而提供了动物认知研究的计算角度,并为人工智能中的因果强化学习算法的开发提供了新的视角。
Jun, 2024
该论文提出了一个关于代理人认知态度和动机类型推理的普遍的逻辑框架,它使我们能够表达多种相关概念,包括知识、信念、条件信念、欲望、条件欲望、偏好等,在此基础上,提出了具有选择机制和信念改变、欲望改变的动态运算符的两个扩展,并将前者应用于不完全信息下的单阶段博弈分析。
Feb, 2021