Jul, 2023

多智能体规划中的责任预测

HTML
PDF
TL;DR预测责任是确定个体行为是否可能导致其对特定结果负责的过程，可用于多智能体规划环境中让智能体在考虑计划时预测责任。该论文定义了主动、被动和贡献性责任的归因，考虑了智能体的变体，并使用此定义了责任预测的概念。该模型证明了我们的预期责任概念可用于协调规划环境中的智能体，并给出了复杂性结果，探讨了与经典规划的等效性。我们还提出了使用PDDL求解器解决一些归因和预测问题的大纲。
发现论文，激发创造
  • 分层计划推理摘要信息补充

    本文介绍了一种机制，用于从给定的计划层次结构中推导先决条件和效果总结，并提供了结构数据和算法，以在传统计划器与抽象计划中相互使用。

    Aug, 2017

  • 使用并发条件效应解决多智体规划问题

    本文提出了一种新的方法解决并行多智能体规划问题，通过从并发多智能体规划编译到经典规划，利用现有的经典规划器解决原始多智能体问题，解决方案可直接解释为满足一组给定并发约束条件的并发计划，避免了并发操作带来的指数级膨胀问题，同时作为第一个处理受其他智能体行为有条件影响的行动效果的规划器，在理论上，我们证明了这种编译的音效和完备性;在实践中，我们展示了我们的编译器可以解决需要并行操作的具有挑战性的多智能体规划问题

    Jun, 2019

  • 去中心化部分可观察马尔可夫决策过程中的实际因果关系和责任归属

    本文在 Dec-POMDPs 框架下研究了实际因果关系和责任归因等概念，提出了一种考虑各种因果依赖和责任能够自我调整的责任归因方法，并通过模拟实验比较了不同定义的实际因果关系和责任归因方法之间的差异和影响。

    Apr, 2022

  • 针对分散的部分可观察MDPs的计算效率责任归属

    本文旨在在计算预算下提供可行的算法解决归因责任问题。在引入一类特定的结构因果模型的基础上，使用蒙特卡罗树搜索方法高效地近似代理的责任度量，并通过模拟测试来评估算法效果。

    Feb, 2023

  • 负责任的多智能体行为

    用三个责任AI支柱（可解释性、公平性和鲁棒性）在多智能体学习中探索可解释性，展示人们如何更好地理解和塑造多智能体学习的新技术。

    Nov, 2023

  • 关于主动推理中的预测规划与因果学习

    通过研究主动推理中基于计划和经验学习的两种决策方案，本文提出了一种混合模型，以平衡决策过程，并在挑战性的网格世界情景中评估了该模型的适应性，并分析了各种参数的演变，为智能决策提供了有价值的见解。

    Mar, 2024

  • 责任归属和预期的计算基础研究

    本文研究了在战略环境中基于LTLf的责任不同变体，填补了机器伦理和自主系统领域中的空白。通过将责任概念与反应合成中的相关理论相联系，提出了计算基本保障的框架，涵盖复杂性特征以及归属和预期责任的可靠、完整和最优算法。此研究有助于推进责任归属的自动化过程，带来重要影响。

    Oct, 2024

  • 多价值战略环境中的责任

    本研究旨在解决多智能体系统中责任归属的问题，尤其是在考虑多重结果的背景下。提出了一种新的责任归属模型，并扩展至责任预期，展示了如何通过责任的考量来指导智能体选择符合其价值观的战略。研究发现，非主导的遗憾最小化策略能够可靠地降低智能体的预期责任程度。

    Oct, 2024

  • 责任意识的战略推理在概率多智能体系统中的应用

    本研究针对概率多智能体系统中缺乏责任意识的战略推理问题，提出了一种新的逻辑PATL+R，结合了因果责任的模式，为责任意识的多智能体战略推理提供了框架。研究发现，该框架可以优化责任和奖励的期望分配，并通过纳什均衡计算出责任意识纳什均衡策略，显著提升了多智能体系统的可信性与表现。

    Oct, 2024

  • 多智能体系统中的责任测量

    本研究解决了多智能体规划中责任量化的不足，通过引入基于概率交替时序逻辑的责任测量框架，创新性地将行为与责任之间的概率关联。研究发现，提出的熵基责任测量能够首次动态捕捉结果的因果责任特性，为理解多智能体系统中代理人在结果实现或防止中的作用提供了新的视角。

    Oct, 2024