AITOP

贝叶斯方法

共 4 条相关 AI 资讯
7月30日
11:19
11:19官方账号arXiv cs.AI@Peter Tisnikar, Maja Swieczkowska, Benteng Ma, Gerard Canal, Matteo Leonetti
论文将临时团队合作（AHT）扩展至多任务场景，提出CE-CM方法，通过贝叶斯推断从少量任务中在线学习隐藏的合作伙伴能力向量。CE-CM采用仿真采样构建上下文多智能体MDP进行规划，无需群体预训练。针对人类行为不可预测性，CE-CM-Div通过多样化规划轨迹评估能力假设，在模拟实验中快速恢复隐藏能力并减少不可行动作分配。基于225条人类轨迹的离线研究显示，CE-CM-Div比基线CE-CM显著提升能力估计准确性。
论文CE-CMAd-hoc Teamwork能力估计
推荐理由：研究团队提出了CE-CM和CE-CM-Div两种能力估计方法，能让AI在未知合作伙伴能力时快速适应，还考虑了人类行为多样性，看模拟和真人实验结果都挺有说服力的。
原文
09:15
6月16日
11:02
11:02官方账号arXiv cs.LG@Meghana R. Bhat, Ankit Umare, Utsav Aggarwal, Richard Vecsler, Arunkumar Mani, Karthik Nair, Chandhu Nair
该论文提出集成营销归因（IMA）框架，将营销组合模型（MMM）与渠道特定贝叶斯归因模型结合。IMA利用MMM先验信息，从聚合数据中推导出战役级效果，实现了隐私安全且细粒度的归因。与传统MMM的粗粒度优化和MTA在隐私限制下不可靠的问题相比，IMA在保持与MMM一致性的同时提供更精细的洞察。该方法在零售营销场景中可有效替代依赖用户级追踪的方案。
论文营销归因MMMMTA
推荐理由：想在不碰用户隐私的前提下搞清楚每个广告战役的效果？这篇论文的IMA框架把MMM和贝叶斯归因揉在一起，给出细粒度结果还不出格，做营销分析的可以看看。
原文
5月11日
11:45
11:45官方账号arXiv cs.LG（学术论文）
因果推断依赖不可验证的假设，现有敏感性分析框架多关注最坏情况下的结论变化，但往往不切实际。本研究将s-value框架泛化至三种常见因果假设，并提出贝叶斯敏感性价值(BSV)指标。BSV通过蒙特卡洛近似，基于真实世界证据构建先验分布，计算假设违背的期望敏感性。实证表明，最坏情况分析可能依赖违背先验知识的极端假设，而BSV能提供更可信的结论。该框架在糖尿病治疗对体重影响的观察性研究中得到验证，为研究者提供了更稳健的因果推断工具。
论文因果推断贝叶斯方法敏感性分析
推荐理由：提出贝叶斯敏感性价值(BSV)方法，解决了传统最坏情况敏感性分析不切实际的问题，为因果推断实践者提供了更符合先验知识的稳健性评估标准。
原文