- 投资者群体的时间分布及其在专家建议预测中的应用
研究表明,通过对 2015 年至 2017 年 2 万名外汇交易员的实际交易进行聚类,可以使用 Ewens' Sampling Distribution 描述簇的分布,同时将 Aggregating Algorithm(AA)应用于这些实际 - 个性化多议题协商游戏中的语言模型
利用大型语言模型(LLMs),AI 代理已经能够完成许多人类任务。使用最经典的大五人格定义,我们衡量 LLMs 在博弈论框架内进行协商的能力,以及衡量公平与风险概念的方法论挑战。模拟结果(n=1,500)显示基于不对称议题价值的领域复杂性增 - 两阶段市场中的能量储存套利:一种基于变压器的方法
整合的能源存储竞标模型利用基于 Transformer 的实时价格预测模型进行日前竞标设计,并使用长短期记忆 - 动态规划混合实时竞标模型进行实时竞标,以最大化利润和降低风险。在纽约州的历史数据测试中,整合系统相较于仅在实时市场进行竞标可获 - 可信 AI 之旅 - 第一部分:实用框架的追求
本研究综述了值得信赖的人工智能(TAI)及其各种定义,提出了离开支配和工程语境中的责任或伦理人工智能等术语以明确任何混淆的建议,并强调了公平性、偏见、风险、安全性、可解释性和可靠性等关键属性和特性以发展一个普遍框架来处理这些问题,同时考虑了 - 可信学习理论
统计学习理论是机器学习的基础,为从未知概率分布中学习的模型的风险提供了理论上的界限。然而,在实际应用中,数据分布可能会变化,导致领域适应 / 泛化问题。本文通过使用概率凸集(credal sets)模型化数据生成分布的可变性,为学习的 `c - CaBuAr:加州燃烧区域数据集的划定
本文介绍了一种解决燃烧区域划分问题的新型开放数据集,包括加利福尼亚森林火灾的先后两次影像,同时提供了基于光谱指数分析、SegFormer 模型和 U-Net 模型的三种不同基准线模型。
- 进化式桌面游戏设计:以《风险》游戏为案例研究
借助进化游戏设计和遗传算法,本研究扩展了现有的方法来生成《Risk》这个桌游的新变种版本,通过改变地图大小和生成更加平衡的游戏以减短比赛时间,为进一步研究演化游戏设计提供了有希望的方向。
- 使用风险调整置信度评分提升大型语言模型鲁棒性的形式化与方法
尽管大型语言模型在自然语言处理方面取得了令人瞩目的成就,但它们也存在重要的风险。本文定义和形式化了决策风险和综合风险这两种不同类型的风险,并提出了评估这些风险的风险中心化评估框架和四个新指标。最后,我们提出了一种名为 DwD 的风险调整校准 - 解释性人工智能(XAI)评估方法的新视角
要在可行性、领域特征和风险考虑等方面综合权衡,才能更好地协商可解释性和系统性能之间的平衡,并为未来研究和最佳实践提供基础。
- 重新审视解释型人工智能(XAI)中的性能 - 可解释性权衡
在需求工程领域中,可解释人工智能(XAI)在使 AI 支持系统与用户需求、社会期望和监管标准相一致方面的日益重要性已获得认可。简而言之,可解释性已经成为影响系统质量的重要非功能性要求。本文在批判性地研究所谓的权衡问题上提出了观点。我们认为最 - 风险敏感和鲁棒的基于模型的强化学习和规划
本研究主要关注序列决策算法中的不确定性和风险问题,通过探索规划和强化学习两种方法,尤其是面向基于模型算法的研究,旨在缓解 epistemic 和 aleatoric 不确定性问题。
- 生成式人工智能的发展路径:方法与考虑
提出了一个六级访问框架,从全闭合到全开放,各级之间可以被视为梯度选项,阐述了全球发电 AI 系统的释放方法、趋势和风险控制等问题。
- 概率上任何时间安全的随机组合半臂匪
提出了 probably anytime-safe stochastic combinatorial semi-bandits 问题及其改善风险的算法 PASCombUCB,可应用于推荐系统和交通运输领域等代理人在单个时间步内选择多个项目并 - 压缩、泛化和学习
本文提出了一种新的理论,可以控制压缩函数(称为 “风险” 的压缩函数的改变概率),并证明了压缩集合的基数是风险的一致估计量的条件。结果可用于不需要先验知识的全面无偏配置中。这些结果不仅可用于完全了解驱动方法的信任,而且在学习技术中,还可以作 - COLING简洁为上:恢复意图特征子空间以提高自然语言理解模型鲁棒性
该研究提出了一种新模型 RISK,旨在利用特征空间来避免偏见,而不是依赖于预先定义的偏见属性,取得了最新的最好性能,并能提高模型的泛化能力。
- 高血压治疗计划中的风险意识
研究提出一个通用框架,允许在分层任务网络计划过程中估算不确定成本的概率分布,实现风险感知规划并计算最高期望效用风险规避计划。
- 多类别分类中的公平性保证
本文提出了一种用于多类分类的算法公平性方法,同时给出了最佳公平分类器的相关表达式,该方法基于数据驱动的程序并且有理论保证。该方法在合成和真实数据集上都很有效,在决策制定中具有预设不公平性水平的公平性保证(无需考虑分布),并竞争(即使更好)地 - 基于状态转移模型的基于特征的可解释强化学习
提出了一种基于状态转移模型的强化学习局部可解释风险的方法,并通过实验证明了其有效性。
- ICML均值方差赌博机的汤普森采样算法
本文提出了针对均值 - 方差 MAB 问题的 Thompson 抽样算法,并在更少的假设条件下提供了高斯和伯努利 bandit 的全面损失分析。我们的算法在各种参数配置下都达到了最好的已知损失边界。
- ICLR测量强化学习算法的可靠性
本文通过提出一套度量强化学习算法可靠性的评估指标以及相应的统计测试,对可靠性的不同方面进行了量化测量,并对常见算法和环境进行实证研究和分析。