创造力与马尔科夫决策过程
通过引入 Relative Creativity 的概念,我们将重点转移到 AI 是否能够与理论上的人类创造能力相媲美,并基于统计学上可量化的评估,介绍了 Statistical Creativity 作为衡量 AI 创造力的方法。通过分析创造力度量,并引入可行的训练指导方针,我们建立了一个评估和促进 AI 模型中统计创造力的连贯、不断发展和变革的框架。
Jan, 2024
本文介绍了一种新的形式化方法来量化人工智能系统与人类价值观的一致性,使用马尔可夫决策过程作为基础模型,强调价值观作为行动的可取目标和规范行为准则与 AI 决策之间的联系,为评估规范与价值观之间一致程度提供了一种机制,以在规范世界中评估状态转换中的偏好变化。利用这种形式化方法,AI 开发者和伦理学家可以更好地设计和评估 AI 系统,以确保其与人类价值观和谐共处,该方法还适用于许多应用领域,例如强调幸福的推荐系统和强调安全的自动驾驶车辆。
Dec, 2023
本研究探讨了创意和人工智能之间的关系,研究了人工智能在艺术创作中的应用,并考虑了人工智能对意识研究、兴趣和决策能力的潜在影响和伦理问题,以刺激人们对人工智能在创意领域中使用和伦理问题的思考。
Jun, 2023
本文总结了解决 Markov 决策问题及其算法运行时间的复杂性,并讨论了需要进一步研究实际算法来快速解决大问题的问题。同时,本文提出了一些基于 MDP 结构的替代分析方法,以鼓励未来的研究。
Feb, 2013
本研究探讨了人工智能生成系统的不同工作模式,包括人机协作生成,以及探究人们对于这些模式的偏好和使用体验。我们的实验表明,覆盖更广阔的设计空间可以提高用户的满意度和成就感,而谨慎的介入和解释可以更好的适应不同技能水平的用户。
May, 2023
为了应对医疗保健系统的成本和复杂度飞速增长、治疗方案不断增多以及信息传达不畅等问题,本文提出了一个通用的计算机 / 人工智能(AI)框架。 该框架结合了马尔可夫决策过程和动态决策网络,从临床数据中学习并制定综合的多方案规划,以优化患者治疗方案和促进患者康复,相较传统医疗保健方式大幅提高了患者康复率并降低了治疗成本。
Jan, 2013