수정된 인간 중심적 사고를 통해 사전적 최적 정책을 합리화할 수 있을까?
본 논문은 인과적 결정 이론(CDT)이 수정된 인간 중심적 사고를 통해 사전적 최적 정책을 어떻게 합리화할 수 있는지 탐구합니다.
比較生成式移動模型的公平性
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。
금융 사기 탐지를 위한 GPT 기반 몬테카를로 트리 탐색 기반 기호 회귀
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.
생성 이동성 모델의 공정성 비교: 사회경제적 요인에 따른 성능 차이 분석
인공지능 기반 이동성 모델이 높은 예측 정확도를 보이더라도, 사회경제적 요인에 따라 편향된 결과를 생성할 수 있으며, 이는 특정 사회 집단에 불리하게 작용할 수 있다.
Can Causal Decision Theory Rationalize the Ex-Ante Optimal Policy Using Modified Anthropic Reasoning?
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.
金融詐欺検出におけるシンボリック回帰のためのGPTガイド付きモンテカルロ木探索
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の公平性比較：社会経済的要因による精度の差異分析
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。
GPT-Guided Monte Carlo Tree Search for Symbolic Regression Applied to Financial Fraud Detection: An Explainable Approach
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.
Comparing Fairness of Generative Mobility Models Across Socioeconomic Factors
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.
사전 훈련된 에이전트 및 세계 모델의 스케일링 법칙: 토크나이저와 작업의 영향
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.
© 2024 by Linnk AI