Sep, 2024

平衡最优性与多样性：通过生成策展实现以人为中心的决策

HTML
PDF
TL;DR本研究解决了在数据泛滥的背景下，决策者面临的最佳选择与无法量化的定性因素之间的平衡问题。提出了一种新的框架——生成策展，通过高斯过程建模未知道的定性因素，实现了定量最优性与定性多样性之间的平衡，从而生成一系列可操作的近似最优选择。这一方法在复杂环境下验证了其有效性，对政策和管理具有重要影响。
发现论文，激发创造
  • 网络生成模型的统一视角：模型、方法、机遇与挑战

    介绍了概率网络模型的不同类型以及它们之间的相似性和不同之处，这些模型包含了物理学、社会学、生物学、统计学和机器学习等多个领域，同时也揭示了未来的研究机会和挑战。

    Nov, 2014

  • 数据生成的序贯决策

    本文探讨了一种基于顺序决策的生成模型及其在数据填充方面的应用，利用神经网络和引导策略搜索算法训练模型，在多个数据集上取得了有效结果。

    Jun, 2015

  • 将数据决策流程融合：面向决策的组合优化学习

    通过深度学习将机器学习模型与优化算法直接结合，实现决策为导向的学习，从而在解决组合优化问题时取得更好的性能和决策效果。

    Sep, 2018

  • 预测人类决策的认知模型先验

    本文提出了两个贡献：通过预训练神经网络和构建“认知模型先验”以捕捉人类行为的归纳偏见，使得机器学习方法在小样本数据集上能够显著提高预测准确率；基于超过240,000项人类决策的大规模数据集，揭示出认知模型先验适用的情况，并为人类决策预测建立了新的基准。

    May, 2019

  • Kemeny排名聚合的多样性：参数化方法

    研究表明，通过将方案多样性与参数化复杂性理论相结合，可以使用基于算法的框架解决实际相关问题，例如Kemeny Rank聚合问题。

    May, 2021

  • Boltzmann策略分布：从人类模型中解释系统性次优

    在人类行为的建模中，耦合行动选择与时间的策略预测模型有助于解决人类展现出的系统非最优性问题。介绍了Boltzmann策略分布(BPD)，作为人类策略的先验，并通过贝叶斯推断来捕捉人类非最优行为的系统偏差。研究发现，相比于基于人类模仿学习的模型，BPD在使用更少数据的情况下同样有效地实现了对人类行为和人工智能协作的预测。

    Apr, 2022

  • 算法单一性会导致结果同质化吗？

    研究表明，若决策者分享元素如训练数据或具体模型，则机器学习中的算法单一性会导致结果同质化，这可能导致系统性的排斥和社会等级的重新确认，该项研究在算法公正基准上进行的实验表明这会恶化结果同质化，对应用中的机器学习系统具有哲学性分析和社会挑战。

    Nov, 2022

  • 条件生成建模是否足以支持决策制定？

    本文探讨了利用条件生成模型解决顺序决策问题的可能性，并提出了一种新的return-conditional diffusion模型的策略模型，使得模型训练不再需要动态规划算法，成功在一些标准测试上优于现有离线强化学习算法，证明条件生成建模是一种强大的决策制定工具。

    Nov, 2022

  • 实现型人机协作的动态模型：理论和实证证据

    使用机器学习模型进行人机协作系统，研究展示了其动态过程、稳定状态和实际效果；通过针对背包问题的实验，发现人类在与机器学习模型合作中能够改进预测性能，同时发现货币激励对人类决策没有积极影响。

    May, 2024

  • 利用机器学习捕捉人类战略决策的复杂性

    本研究解决了人类在战略环境中决策行为理解的长期问题，开展了超过9万个决策的数据分析，展示了深度神经网络在预测人类选择方面的优越性。研究发现，个体游戏的复杂性影响人们的决策能力，并揭示了偏离理性纳什均衡的原因，这表明机器学习不仅能用于预测，还能提供对复杂人类行为的新解释。

    Aug, 2024