- 面向代理的基于拍卖的联邦学习中数据拥有者的联合决策支持
基于拍卖的联邦学习(AFL)引起了广泛的研究兴趣,因其能通过经济手段激励数据所有者(DO)参与 FL。本文提出了一种面向 DO 的首个代理导向的联合定价、接受和分委托决策支持方法(PAS-AFL),通过考虑 DO 的当前声誉、待处理的 FL - 基于概率模型的医院电子健康记录顺序推理
在动态医院环境中,决策支持是提高患者结果的有价值工具,本研究设计了一个概率无监督模型用于医院电子病历数据中包含的多个任意长度的序列,包括诊断、实验室检查、神经评估和药物,通过推断算法可以预测序列的长度和特定值的出现。
- 基于 Transformer 的医疗过程监测中的结构位置编码
基于 transformer 和本体领域特定知识的预测性流程监控方法, 在中风管理领域取得了有希望的实验结果。
- 从链到树:将知识图谱中的链式规则细化为树状规则
我们提出了一种基于知识图谱的树状规则方法,可以扩展规则的应用范围和提高基于规则的方法的推理能力,并通过在四个公共数据集上的实验证明,相比链状规则,在链状规则归纳方法的基础上改进的树状规则在关联预测上表现更好。
- 临床操作代码的神经机器翻译:医学诊断和不确定性量化
医学的不确定性的数值化和 AI 模型在决策支持系统中的应用。
- 面向基于自然的气候解决方案的 AI 驱动集成式排放监测与管理
提出一种新的综合框架,用于支持基于人工智能的自然气候决策制定中的各个方面的综合决策支持模型,包括植被碳储量评估、火灾检测、逆转风险减轻和灾害响应规划等不同方面。
- 冲突转化和管理。从认知地图到价值树
利用问题结构化方法将认知图转化为价值树,从而在决策支持中促进以设计为导向的方法,构建创新解决方案,进而实现冲突管理的目的。
- 揭示反事实解释在就业能力的潜力
本研究提出反事实解释在复杂机器学习算法下的应用,以数据实例展示其在雇用相关问题中提高决策支持、遵守法律要求、引导受控变更和分析新颖洞见的作用。
- IJCAI分布式多目标决策制定
我们提出了一种基于分布的支配准则来探讨有效决策支持的方法,并介绍了一种称为分布无支配集的概念,其中包括了帕累托前沿被忽略的最佳决策。此外,我们还提出了凸分布无支配集,并演示了算法的可行性和有效性,为现实世界问题的决策支持提供了有价值的新方法 - 可解释的人工智能已死,长命可解释的人工智能!基于假设的决策支持
本篇论文主张从现有的可解释人工智能 (XAI) 模型转变到基于评价的人工智能 (Evaluative AI) 以减轻提供推荐的对人类决策制定的限制和不对人类决策制定的认知过程考虑不足带来的问题,并更好地利用人类决策制定的专业知识。
- 基于原则的数据驱动决策支持在网络取证调查中的应用
本文介绍了一种基于马尔可夫决策过程的数据驱动决策支持方法,该方法结合了基于 k-NN 回归的蒙特卡罗树搜索用于预测状态转移概率,经实验证明,该方法在发现威胁行为方面具有更高的效率和正确性。
- 应急响应决策支持系统设计:挑战与机遇
本文介绍了建立决策支持和优化工具来提高应急响应效率和有效性的关键挑战以及我们与社区合作开发的方法的概述。
- ACL使用自我监督知识融合从入院记录中预测临床结果
该研究旨在通过临床文本的预测,预防医生忽略潜在风险并帮助医院规划能力。使用语言模型分析预测诊断结果、手术、住院死亡率和住院时间。提出了临床结局预训练来整合多个公共来源的患者结局知识,并提出了一种将 ICD 编码层次结构纳入模型的简单方法,以 - JNLP 团队:COLIEE 2020 中的法律处理深度学习
使用深度学习方法实现在 COLIEE 2020 中自动的法律检索和法律问题解答系统,该方法通过在大量数据上进行预训练并进行微调,克服了数据稀缺性并取得了良好的性能,在信息检索和法律决策支持等领域具有相关应用价值。此外,这种方法也可以用于解决 - 深度学习时间序列预测综述
本文概述了深度学习建模在时序数据领域的应用,介绍了单步和多步预测中通用的编码器和解码器的设计,分析了每一种方法如何加入时间信息以提高预测结果。接下来,介绍了深度学习和统计模型的混合模型在时间序列预测中的最新进展,最后讨论了深度学习如何为决策 - AAAI不确定性感知的人工智能和机器学习:原因和方法
本文阐述了实现基于不确定性意识的人工智能和机器学习系统在决策支持中的必要性及其面临的挑战,并介绍了当前令人看好的研究方向。通过理论模拟,展示了两种新兴的不确定性意识机器学习和人工智能技术的集成对路径规划操作的价值。
- 上下文解释网络
提出使用 CEN(contextual explanation networks)架构进行预测,生成中间简化的概率模型作为解释,为每个预测生成有效的、实例特定的解释,并可用于决策支持。CEN 架构不仅和现有的最先进方法相竞争,且在决策支持方 - 基于案例库挖掘的适应性知识获取
本论文介绍了一种基于数据库和数据挖掘的自适应知识获取方法,实现了一个名为 CABAMAKA 的系统,该系统成功应用在乳腺癌治疗上的决策支持中,探索案例库内部的变化以引出自适应知识。