Dec, 2023

强化学习对决策者的支持性研究：整合评估模型的初步研究

PDF
TL;DR利用现代强化学习探索综合评估模型 (IAM) 可以更加原则地探究解决方案，为政策制定和对其后果和局限性的理解提供有效的探索。
evidence-basedlarge-scale datasetsintelligent algorithmsintegrated assessment models (iam)reinforcement learning
发现论文，激发创造
  • 使用 AI 经济学家建立数据驱动、可解释和健壮的政策设计基础

    AI Economist 框架结合两级强化学习和数据驱动的模拟，可用于优化政策设计，经实验证明该框架在 COVID-19 时期的政策制定中能够显著提高社会福利。

    Aug, 2021

  • 降低支持强化学习策略的风险与扩散模型

    应用强化学习和模仿学习改进辅助机器人的策略设计，以提供安全可靠的辅助护理解决方案。

    May, 2024

  • 在 ABM 中学习复杂的空间行为：一个实验观察研究

    本文介绍了一种利用深度强化学习方法，如 PPO 算法，基于智能代理模型实现的智能自适应行为仿真方法。通过捕捉和模拟代理模型中的隐藏，躲避和觅食等行为，探索并展示了深度强化学习方法在智能自适应行为建模中的应用研究。

    Jan, 2022

  • 使用 RL 行为模型的面向政策的基于代理的建模

    本文研究了在决策制定环境下，基于强化学习的智能体决策行为的刻画与建模。实验结果表明，相比于传统的规则制定和数据回归方式，基于强化学习的智能体决策行为模型具有更高的适应性和更好的表现，可以更好地支持 Agent-based Models 在政策分析等领域的应用。

    Jun, 2020

  • 社交环境设计

    人工智能能够改善政府和经济政策制定，这篇论文提出了一种新的研究议程，介绍了社会环境设计，这是一个将人工智能与强化学习、计算社会选择等领域相连接的自动化政策制定的通用框架。该框架旨在捕捉一般经济环境，包括对政策目标的投票，并为通过人工智能模拟对政府和经济政策进行系统分析给出方向。我们强调了人工智能政策制定领域未来研究的关键问题，通过解决这些挑战，希望实现各种社会福利目标，促进更具道德和负责任的决策制定。

    Feb, 2024

  • COVID-19 缓解政策优化的强化学习

    本研究使用强化学习和基于代理的模拟器，探讨如何优化减轻 COVID-19 冲击的策略，以最小化其对经济的影响，同时避免超过医院的收治能力。该研究结果验证了其用于仿真传染病传播的精细程度以及强化学习方法在实际中的表现。

    Oct, 2020

  • 流行病政策制定的可解释人工智能

    本文利用混合强化学习和进化计算的方法，基于现有的模拟器生成可解释的政策，以在减少 COVID-19 传播的同时最小化经济损失，与先前的研究和政府政策相比，得出了具有更好性能的简化的政策。

    Apr, 2022

  • 经济政策的强化学习：一个新的前沿？

    该论文回顾了传统的代理人建模技术在经济建模中的历史障碍，并思考最近强化学习等新兴技术能否克服其中的一些问题。

    Jun, 2022

  • 使用主动推理的贝叶斯策略选择

    该论文研究了基于自由能原理的主动推理对机器学习中的强化学习和示范学习问题的解决，并将此概念应用于标准问题山车问题，结果表明主动推理可以涵盖强化学习和示范学习技术。

    Apr, 2019

  • 导航中基于干预支持的强化学习策略优化的安全及实际方法

    本文提出了一种人工干预辅助下的强化学习框架，将深度神经网络应用于无人机自治导航，实现了减少人为干预、性能提升、安全性保障和控制成本可接受的目标。

    Nov, 2018