본 논문은 인과적 결정 이론(CDT)이 수정된 인간 중심적 사고를 통해 사전적 최적 정책을 어떻게 합리화할 수 있는지 탐구합니다.
生成式移動模型在預測不同社會經濟群體的移動模式時,可能存在公平性問題,需要新的指標來評估和比較這些模型在不同群體間的表現差異。
본 논문에서는 금융 거래 데이터에서 사기 행위를 탐지하기 위해 기호 회귀를 사용하는 새로운 방법인 SR-MCTS(Symbolic Regression Monte Carlo Tree Search)를 소개합니다. SR-MCTS는 탐색 공간을 효율적으로 탐색하기 위해 몬테카를로 트리 탐색(MCTS)을 활용하고, Symbolic GPT라는 대규모 언어 모델을 사용하여 탐색을 안내하여 더 빠른 수렴과 고품질 표현 생성을 가능하게 합니다.
인공지능 기반 이동성 모델이 높은 예측 정확도를 보이더라도, 사회경제적 요인에 따라 편향된 결과를 생성할 수 있으며, 이는 특정 사회 집단에 불리하게 작용할 수 있다.
This research paper explores whether modifying the self-locating beliefs within Causal Decision Theory (CDT) using anthropic reasoning can lead to policies that align with the ex-ante optimal policies typically prescribed by Evidential Decision Theory (EDT) in Newcomb-like problems.
本稿では、金融取引データでファインチューニングされた大規模言語モデルSymbolic-GPTを用いてモンテカルロ木探索をガイドし、高速かつ解釈可能なルールベースの詐欺検出を実現するSR-MCTSアルゴリズムを提案する。
生成モビリティモデルは、移動フロー予測において高い精度を達成する一方で、社会経済的に不利な地域では精度が低下する傾向があり、公平性の観点から課題が残る。
This research introduces SR-MCTS, a novel approach for financial fraud detection that combines Symbolic GPT-guided Monte Carlo Tree Search (MCTS) with symbolic regression to generate interpretable rules, achieving higher accuracy than traditional methods while maintaining transparency in decision-making.
While deep learning models can generate more accurate synthetic mobility traces, simpler models demonstrate better fairness across socioeconomic groups, highlighting the need to prioritize equity in mobility model development.
본 논문에서는 대규모 언어 모델에서 발견된 것과 유사한 스케일링 법칙이 세계 모델링 및 행동 복제 작업에서도 나타남을 보여주며, 특히 토크나이저, 작업 및 아키텍처가 최적의 모델 크기 및 데이터셋 크기에 큰 영향을 미친다는 것을 입증합니다.