- 实时改善不确定性估计的几何方法
我们提出了一种基于几何的方法来估计不确定性，它可通过后处理模型校准来实现，避免了重新训练和更改模型，经多个数据集和模型的详细评估显示出更好的不确定性估计，并且可在接近实时应用中使用。
- 面向高风险 AI 风险管理的可执行指南：朝着应对人工智能灾难性风险的标准迈进
本文介绍了美国国家标准与技术研究所（NIST）人工智能风险管理框架，提出了针对潜在误用和滥用、人权损害、灾难性风险等方面的风险识别和管理建议，并给出了对于更为多样化、通用化的人工智能的监管方案。
- AAAI基于动态异构图神经网络的可疑大规模注册检测
本文提出一种动态异构图神经网络框架（DHGReg），以检测可疑的大规模注册行为，构建出包含结构子图和时间子图的动态异构图并设计有效的架构来预测可疑 / 良性账户，该模型的性能优于基准模型，且具有计算效率。在实践中，DHGReg 框架将有助于 - 基于神经随机微分方程的稳健定价和对冲
本文提出了一种结合神经网络和基于随机微分方程的经典风险模型的模型 —— 神经 SDE 模型，该模型可以根据市场数据进行一致性校准，并用于模拟市场场景以评估风险和对冲策略。
- AAAI使用约束动作空间强化学习解决在线威胁筛查游戏
本研究提出了一种旅客安全检查的在线威胁筛查模型，其中检查策略是当旅客到达时自适应确定的，同时满足不检查威胁的可接受风险硬性约束，解决了传统模型中固定时间窗口的限制，并采用基于线性不等式约束的强化学习算法，有效平衡了较少的安检资源和威胁较高的 - 基于视觉感知的风险感知机器抓取的分位数 QT-Opt
本研究探讨利用分布式 Q-learning 算法的分布透视理论在连续状态空间下的应用，提出了一种新的基于分位数的 Q-learning 算法 Q2-Opt，成功应用于视觉机器人夹取任务，并探究了其风险扭曲函数，同时采用批量强化学习算法进行实 - NIPS块坐标上升算法求解均值 - 方差优化问题
本文提出了一种基于随机块升协方差策略搜索算法的无模型策略搜索框架，通过数值分析证明了其的收敛性和应用性，并将其应用于多个基准域上的风险管理与优化问题。
- 最优市场做市
本研究提出了一个通用建模框架，综合了文献中提出的各种建模方法，证明了最优市场制造策略的存在和特征，并针对多资产市场制造将模型框架扩展至通用的闭式近似方法。
- 金融中的深度学习
使用深度学习层次模型探索金融预测和分类问题，应用深度学习方法可以比现有标准方法更好地解决大规模数据集中的复杂数据交互问题，以便探测和利用当前任何金融经济理论看不到的数据交互。
- 深度学习用于限价订单簿
本文提出了一种新的神经网络结构来建模空间分布，在使用限价单簿的空间结构时，该新结构具有计算效率，并提供了价格移动的低维模型。该模型在未来时间内基于限价单簿的当前状态建模簿的状态的共同分布，模型训练并测试了近 500 种股票，并采用了退出技术 - NIPS在 MDPs 中进行 CVaR 优化的算法
本文研究在马尔可夫决策过程中的均值 - CVaR 优化问题，并提出了策略梯度和演员评论算法，以在局部风险敏感的最优策略中更新策略参数，解决了一个最优停止问题。
- ICML基于方差相关风险标准的策略梯度
本文提出了一种新的公式来计算环节任务成本的方差，并使用该公式提出了基于局部策略梯度算法的风险管理框架，进一步研究了涉及成本期望和成本方差的准则，最终在投资组合计划问题中应用。
- 强化学习的参数回报密度估计
本文介绍了一种用于处理统一风险管理目的的参数化收益率密度估计方法，以延伸 Bellman 方程，用 TD 学习算法估计未知环境中的收益率密度， 最后用数值实验证明了该方法通过几种参数化密度估计算法实现风险敏感和稳健强化学习范式。
- 一种估计金融相关矩阵中噪声的新方法
本文提出了一种基于功率映射的新型方法来估计金融相关性矩阵中的噪声，能够有效地探测出不同的相关结构，并引入了一种旨在评估噪声与相关性之间关系的度量，无需进一步的数据处理或附加输入。