Mar, 2023

一个评估已发表作品可复制性的混合预测市场的原型

PDF
TL;DR本文介绍了一个混合预测市场原型，并展示了它为有意义的人工智能协作提供的途径。我们以前提出的人工预测市场作为新的机器学习算法进行建设。通过将人类参与者与机器人交易者嵌入到这些市场中，我们可以汇集两者的见解。本文详细介绍了用于预测复制研究结果的混合市场模型的试点研究，强调了挑战和机会，并分享了与混合市场参与者进行的半结构化访谈的见解，并概述了未来的工作愿景。
发现论文，激发创造
  • 一项用于估计发表作品置信度的合成预测市场

    本研究开发了一种合成预测市场来评估社会与行为科学文献中已发表声明的可信度，并使用一系列已知的复制项目来展示该系统，并建议此项工作为使用人工智能进行同行评审奠定了基础。

    Dec, 2021

  • 数据复制鲁棒支付的协作机器学习市场

    本研究探讨合作机器学习市场的问题，讨论机器学习市场的公平收入分配和潜在威胁，包括数据复制。我们引入了一个新的付款分割功能和定制输出模型，以在具有不同学习任务的方的情况下刺激方提交高质量的训练和验证数据，并在实验中验证了我们理论分析的假设和这些假设的适用性。

    Nov, 2019

  • 具有机器学习相关性的多期交易预测市场

    本文提出一种新的预测市场模型，使用风险度量来建模市场中的代理人，并引入市场制造商来描述交易过程，分析表明，整个市场有效地达到了全局目标，同时建立了机器学习与市场之间的密切联系。

    Mar, 2014

  • 复制市场：人工智能复制的结果、经验、挑战和机遇

    本文回顾了行为和社会科学领域以及 DARPA SCORE 项目中使用的方法，特别关注人类预测复制结果的作用，以及预测如何利用相对劳动力和资源密集的复制所获得的信息。探讨了使用这些方法来监测和改进计算机科学，人工智能和机器学习领域中研究可信度的机会和挑战。

    May, 2020

  • 非理性人类智能的可解释集体智能

    提出一种使用预测市场机制，通过激励专家之间直接信息交流的方式来解决科学或医学领域问题的方法。

    Apr, 2022

  • 贝叶斯回归市场

    机器学习任务对输入数据的质量很敏感，但是企业往往难以获得足够的数据集，这些数据集通常在不同的所有者间进行自然分布，这些所有者在实践中可能是下游市场的竞争对手，且不愿意共享信息。我们提出了一种基于贝叶斯框架的回归市场机制，为数据共享提供了经济激励，以解决监督学习回归任务中的这些挑战。我们对市场性质进行了全面的研究，并表明当前文献中类似建议暴露了市场参与者的巨大财务风险，而我们的概率设置可以减小这些风险。

    Oct, 2023

  • 区分不可区分的事物：算法预测中的人类专业知识

    将人类专业知识用于算法预测中，通过选择性地融入人类反馈来改进预测性能，证实专家的主观信息可以显著提高特定实例的算法预测准确性，从而实现有效的人工智能与人类的合作。

    Feb, 2024

  • 数据交易市场：算法解决方案

    本文提出了一个数数据市场的基本模型，通过建立一个竞价机制来有效地买卖机器学习任务的训练数据，突破了训练数据不能定价，买卖难以衡量的难题，其中技术贡献包括公平性的计算及组合产品的机制拍卖方式。

    May, 2018

  • 基于增强金融智能的印度股市预测

    本文提出使用机器学习算法和超级预测者的预测来增强投资决策的价格预测模型。通过构建五个机器学习模型，包括双向 LSTM、ARIMA、CNN 和 LSTM 的组合、GRU，以及使用 LSTM 和 GRU 算法构建的模型，利用平均绝对误差评估这些模型的预测准确性。此外，研究建议通过识别超级预测者并跟踪其预测来预测股价的不可预测的变化，从而进一步提高机器学习和自然语言处理技术的股价预测准确性。

    Jul, 2024

  • 优化风险厌恶的人工智能人类混合团队

    通过使用一种标准的强化学习方案以及经理人的学习，我们提出了一种能够改善混合团队（即人类与人工智能系统共同工作的团队）性能的方法，并展示了这个经理人在多个格子环境下的最优表现。

    Mar, 2024