本文介绍了一种名为ShapG的新型可解释人工智能（XAI）方法，该方法基于Shapley值来测量特征重要性。ShapG是一种模型无关的全局解释方法，通过构建一个无向图来定义数据集，其中节点代表特征，边基于特征间的相关系数计算添加。该方法通过采样数据并考虑图结构来计算近似的Shapley值，从而有效地减少了计算复杂度。与现有的XAI方法相比，ShapG在两个测试数据集上提供了更准确的解释，并且在运行时间上显示出明显的优势，证明了其效率。此外，广泛的实验表明，ShapG方法适用于解释复杂模型，是一个重要的工具，用于提高AI系统的可解释性和透明度。
Read more...
本文介绍了一种名为SPARKLE的新型端到端自然语言到SPARQL框架，旨在解决知识库问答（KBQA）中的多阶段方法依赖前序步骤准确性导致的级联错误和推理时间增加的问题。SPARKLE通过在解码过程中直接利用知识库的结构信息，显著减少了不可执行查询的生成，并在多个基准数据集上实现了最先进的性能。此外，SPARKLE具有快速推理速度和适应知识库变化的能力，无需重新训练。
Read more...
本文提出了一种名为 UDC 的统一神经分治框架，用于解决大规模组合优化问题。该框架采用了一种新的基于强化学习的训练方法 DCR，以缓解次优分割策略的负面影响。UDC 利用高效的图神经网络进行全局分割，并使用固定长度的子路径求解器来解决子问题，在 10 个具有代表性的大规模组合优化问题上取得了显著的性能提升。
Read more...
本文探讨了在现实世界中部署的人工智能代理与人类及其他异构AI代理可靠合作的能力。为了提供成功合作的正式保证，必须对合作伙伴代理的行为做出一些假设。文章考虑了在有限重复的双人一般和矩阵游戏中与一群代理合作的问题，这些代理可能与我们的代理一样具有适应性。研究结果表明，仅凭个体理性学习者和帕累托效率均衡策略的假设不足以确保与目标群体成员的零次合作。因此，文章考虑了利用先前观察到的成员间互动来学习与这样的群体合作策略的问题，并提供了学习有效合作策略所需的样本数量的上下界。最重要的是，文章展示了这些界限可以比从模仿学习的“天真”减少中产生的界限强得多。
Read more...
本文介绍了一种新颖的人机协同学习系统，旨在通过远程操作提高机器人操作技能的学习效率。该系统允许人类操作员与学习辅助代理共享机器人末端执行器的控制，从而在收集人类演示数据的同时，实现机器人操作教学。随着数据积累，辅助代理逐渐学习，减少了人类操作员的努力和注意力需求，提高了数据收集过程的效率。该系统在模拟环境和真实物理环境中进行了实验，通过用户研究和定量评估，证明了其能够提高数据收集效率，减少人类适应需求，同时确保收集的数据质量足以用于下游任务。
Read more...
本文《Privacy-Preserving and Trustworthy Deep Learning for Medical Imaging》由Kiarash Sedghighadikolaei和Attila A Yavuz合著，探讨了在医疗影像分析中应用深度学习（DL）时如何确保数据隐私和可信度。文章指出，传统的医疗数据处理方法存在效率低下和隐私泄露的风险，而深度学习技术在提高分析准确性和效率的同时，也带来了隐私保护的挑战。论文提出了一种结合隐私增强技术（PETs）的深度放射学（Deep Radiomics）框架，旨在从数据生成到模型训练和推理的整个过程中保护医疗影像数据的隐私。文章还详细介绍了多种PETs的分类、实际应用中的混合构造以及它们在深度放射学流程中的集成策略，并提出了未来研究的方向，以增强深度放射学中PETs的实用性。
Read more...
本文由Tong Mo等研究者提出了一种结合物理知识嵌入的数据驱动方法，用于精确且高效地预测航空发动机性能。该研究解决了现有方法在预测准确性、计算效率、模型复杂性和数据依赖性之间难以平衡的问题。通过融合航空发动机领域知识和神经网络技术，设计了一种能够实时预测发动机性能参数的策略。该方法通过精心设计的网络结构和信息流控制，结合四种特征融合方法和一种创新的损失函数，显著提高了模型的预测性能和鲁棒性。实验结果表明，该模型在减少参数数量的同时，保持了优越的性能，并降低了数据依赖性，相较于传统神经网络架构，具有更高的可解释性。
Read more...
本文介绍了一种利用本体论来记录机器学习（ML）系统中数据偏差的方法。机器学习系统能够复制并经常放大不希望的偏差，这强调了研究和理解ML管道内在特性的重要性。为了填补这一领域的空白，作者提出了Doc-BiasO本体，这是一个旨在创建一个集成偏差词汇表的资源，包括在公平机器学习（fair-ML）文献中定义的偏差及其测量方法，以及相关的术语和它们之间的关系。该本体遵循本体工程最佳实践，重用现有的机器学习和人工智能词汇，以促进研究、开发、监管等各方的知识共享和互操作性。总体目标是为快速扩展到人工智能所有领域的偏差研究澄清现有术语，并改进对数据中偏差及其下游影响的解释。
Read more...
本文介绍了一种利用测试用例类型签名作为超启发式方法，以进一步缩小归纳编程搜索空间的技术。该研究建立在先前定义的指令子集方法基础上，通过确定测试用例中的输入和输出数据类型，选择一个较小的指令子集家族，从而显著减少需要考虑的子集数量，并允许在家族内对子集进行重新排序，以更好地反映其使用频率。研究结果表明，这种方法能够将归纳编程搜索空间的大小进一步减少1到3个数量级。
Read more...
本文提出了一种基于两阶段强化学习的多实体任务分配方法，旨在解决现代应用中的关键组合优化问题，如多机器人协作和资源调度。传统的任务分配方法通常假设任务和实体的属性是静态的，而实际应用中这些属性往往是动态变化的。为了应对这一挑战，本文提出了一种基于相似性的两阶段任务分配算法，利用强化学习来学习分配策略。第一阶段通过预分配策略，使实体预先选择合适的任务，有效避免局部最优解，从而更好地找到最优分配。第二阶段引入注意力机制和超参数网络结构，以适应实体和任务数量及属性的变化，使网络结构能够泛化到新任务。实验结果表明，该算法在多个环境中有效地解决了动态任务分配的挑战，相比于遗传算法等启发式算法，强化学习方法在动态分配问题上表现更优，并实现了对新任务的良好零样本泛化性能。
Read more...