May, 2022

利用表达式树推断进行政策遵从性检测

PDF
TL;DR本文介绍了一种从政策文本中自动推断出表达树的方法，使用有限状态自动机确保生成的有效性，自动评估显示 63％的表达树与黄金树在逻辑上等价，而人工评估显示 88％的表达树正确。
policy compliance detectionrecognizing textual entailmentexpression treesquestion answeringconstrained decoding
发现论文，激发创造
  • 使用解缠树表示来解析神经策略

    本文通过设计一种从紧凑神经策略中抽取树形表示的算法，并引入可解释性度量来评估网络对任务动态的发现能力，进一步量化提取决策路径的准确性和计算跨神经元逻辑冲突，成功应用于多种紧凑网络体系结构，并取得了显著的成果。

    Oct, 2022

  • 预测的政策树：机器学习中可解释和自适应的模型选择

    通过开发一种树基的方法学，Optimal Predictive-Policy Trees (OP2T)，我们提出了一种规定性方法来解决机器学习模型选择中的关键问题，从而产生可解释的适应性策略以选择预测模型或集成，并具有参数化选项拒绝进行预测。

    May, 2024

  • 关于策略复用：一种表示和执行普通调用其他策略的表达性语言

    该研究论文介绍了一种简单但强大的语言，用于表达和学习一般策略和问题分解（草图），并通过引入内部记忆状态、指示性特征和模块化等扩展使得这种语言更加灵活和可重用。

    Mar, 2024

  • 可解释和可编辑的程序化树策略用于强化学习

    我们提出了 INTERPRETER，一种快速蒸馏方法，用于生成用于强化学习的可解释可编辑的树程序。我们通过实验证明，我们的树程序在各种顺序决策任务中能够与训练数据匹配，同时评估了我们设计选择对可解释性和性能的影响。我们展示了我们的策略如何被解释和编辑，以纠正目标对齐错误，并解释真实的农业策略。

    May, 2024

  • POMCP 中软策略引导的逻辑规范学习

    本文介绍了如何使用归纳逻辑编程从 POMCP 执行的跟踪中学习规则并将它们集成到 POMCP 中，以提供对有前途的动作的软性策略偏向，我们在两个基准情景下说明，从小任务实例中学习到的规则的集成可以提高性能，并且需要更少的蒙特卡罗模拟并且处理更大的任务实例。

    Mar, 2023

  • 可处理电路模型的组合概率和因果推断

    介绍了一种新的结构形式 md-vtrees 来描述可分解概率电路中的决策概率，并展示了如何将其用于派生多项式时间算法，特别是在因果推理查询中。同时，提出了基于该结构的 MDNets 概率电路架构，并在因果推理中进行了实验验证。

    Apr, 2023

  • 可解释的局部树代理策略

    本论文提出一种构建可预测的决策树代替神经网络的方法，决策树易于人类理解，能够量化预测未来行为，从而提高决策的可信度和使用范围。

    Sep, 2021

  • 作为学习问题的法规合规评估

    本研究旨在通过机器学习，利用一种联合的代码 - 文本嵌入空间，在没有任务相关数据的情况下，实现编码策略的遵从性评估，并在 CWE 和 CBP 列表上比较我们的工具 Policy2Code 和 CodeBERT 的分类准确性和搜索效率。

    Sep, 2022

  • PDL on Steroids：关于具有交集和转置的 PDL 表达式的扩展性探讨

    介绍了一种基于 PDL 的表达力丰富的逻辑家族 CPDL+，研究了其最小模型检查问题和可满足性问题，将 CPDL + 的表达能力与树宽相关联，并通过基于树宽的逐步升级证明了其表达能力的严格上升。

    Apr, 2023

  • Few-Shot Bayesian Imitation Learning with Logical Program Policies

    提出了一种表达逻辑组合方案的策略学习算法，该算法可以从少量样本中学习有趣的策略，具备较高的数据效率和计算效率，适用于训练数据稀缺且存在结构差异较大的任务。

    Apr, 2019