在最近的工作 [Wilcock 22a] 中,我们开发了可在知识图谱中搜索信息的对话式 AI 系统。我们将 Rasa 对话式 AI [Bocklisch 17] 和存储在 Neo4j 图形数据库 [Robinson 15] 中的知识图谱结合使用。最近 [Wilcock 22b] ,我们使用 Virtual Furhat 机器人 [Al Moubayed 12] 将社交机器人连接到这些系统。我们还向知识图谱添加了语义元数据,包括从 WikiData 中提取的分类 ( subclassOf ) 和部分 ( partOf ) 层次结构。我们现在旨在开发使用语义元数据生成更智能对话响应的方法。如果可能的话,如果用户询问机器人为什么给出某种响应,我们还将使用元数据生成简单的解释。使用语义元数据生成更智能的对话响应的想法并不新鲜。例如,在 2003 年 IJCAI 上,Milward 和 Beveridge 研究了“在多大程度上可以用通用对话系统组件和本体领域知识的组合来取代手工制作的对话设计” [Milward 03]。目的是从为一个特定领域手工制作的对话系统转变为更通用的对话系统,该系统不仅可以通过访问数据库中的领域事实,还可以访问每个领域的本体结构知识,从而与多个领域合作。作者提出了一系列交互示例,其中访问本体领域知识将使对话系统能够给出比没有手工制作更智能的响应。自 [Milward 03] 以来的二十年里,对话系统领域(现在称为对话式 AI [McTear 20])和本体领域知识数据库领域(现在称为知识图谱 [Hogan 21])都取得了很大进展。研究挑战在于如何开发对话式人工智能系统,利用知识图谱中日益丰富的特定领域语义背景。这将允许
[28]。Zhang,Lingxuan Zhao,Haochong Xia,Shuo Sun,Jiaze Sun,Molei Qin,Xinyi Li,Yuqing Zhao,Yilei Zhao,Xinyu Cai,Longtao Zheng,Longtao Zheng,Xinrun Wang,Bo an。金融贸易的多模式基础代理:工具增强,多元化和通才。第30届ACM SIGKDD知识发现与数据会议(KDD)的会议记录,2024年。[27]。Pengdeng Li,Shuxin Li,Chang Yang,Xinrun Wang†,Shuyue Hu,Xiao Huang,Hau Chan,Bo an。可配置的镜像下降:统一决策。第41届国际机器学习会议(ICML)会议录,2024年。[26]。Xinrun Wang ∗,Chang Yang ∗,Shuxin Li,Pengdeng Li,Xiao Huang,Hau Chan和Bo An。增强NASH平衡求解器。第33届国际人工智能会议(IJCAI)的会议记录,2024年。[25]。Pengdeng Li,Shuxin Li,Chang Yang,Xinrun Wang†,Xiao Huang,Hau Chan,Bo an。自适应PSRO:迈向自动基于人群的游戏求解器。第33届国际人工智能会议(IJCAI)的会议记录,2024年。[24]。Longtao Zheng,Rundong Wang,Xinrun Wang†,Bo An†。Synapse:轨迹-AS-exemplar提示,并带有用于计算机控制的内存。2024年国际学习代表会议(ICLR)的会议记录,2024年。[23]。Weihao Tan,Winao Zhang,Shanqi Liu,Longtao Zheng,Xinrun Wang†,Bo An†。真正的知识来自实践:通过强化学习使大型语言模型与具体的环境保持一致。2024年国际学习代表会议(ICLR)的会议记录,2024年。[22]。Shanqi Liu,Dong Xing,Pengjie Gu,Bo An,Yong Liu,Xinrun Wang†。贪婪的顺序执行:使用统一框架解决同质和异质的合作任务。2024年国际学习代表会议(ICLR)会议录,Spotlight,2024。[21]。Pengdeng Li ∗,Shuxin Li ∗,Xinrun Wang†,Jakub Cerny,Youzhi Zhang,Stephen Marcus McAleer,Hau Chan,Bo An。Grasper:追求追求问题的通才追求者。第23届国际自主代理和多代理系统会议(AAMAS)的开发项目,2024年。[20]。molei Qin,Shuo Sun,Winao Zhang,Haochong Xia,Xinrun Wang†,Bo An†。Earnhft:高频交易的有效层次增强学习。第38届AAAI人工智能会议(AAAI)的会议记录,2024年。[19]。Haochong Xia,Shuo Sun,Xinrun Wang†,Bo An†。 市场贡献:通过语义上下文将控制权添加到金融市场数据的生产中。 第38届AAAI人工智能会议(AAAI)的会议记录,2024年。 [18]。 Pengdeng Li,Runsheng Yu,Xinrun Wang†,Bo An。 大规模stackelberg均值游戏的过渡信息增强学习。 第38届AAAI人工智能会议(AAAI)的会议记录,2024年。 [17]。 shuo sun ∗,molei Qin ∗,wentao Zhang,Haochong Xia,Chuqiao Zong,Jie Ying,Yonggang Xie,Lingxuan Zhao,Xinrun Wang wang†,Bo An†。 [16]。Haochong Xia,Shuo Sun,Xinrun Wang†,Bo An†。市场贡献:通过语义上下文将控制权添加到金融市场数据的生产中。第38届AAAI人工智能会议(AAAI)的会议记录,2024年。[18]。Pengdeng Li,Runsheng Yu,Xinrun Wang†,Bo An。大规模stackelberg均值游戏的过渡信息增强学习。第38届AAAI人工智能会议(AAAI)的会议记录,2024年。[17]。shuo sun ∗,molei Qin ∗,wentao Zhang,Haochong Xia,Chuqiao Zong,Jie Ying,Yonggang Xie,Lingxuan Zhao,Xinrun Wang wang†,Bo An†。[16]。商家:一个由强化学习增强的整体定量交易平台。第三十七届神经信息处理系统会议(NEURIPS)数据集和基准曲目,2023年。Pengjie Gu,Xinyu Cai,Dong Xing,Xinrun Wang†,Mengchen Zhao,Bo An。离线RL具有离散代理表示POMDPS中的概括性。第三十七届神经信息处理系统会议(神经),2023年。[15]。Shuo Sun,Xinrun Wang†,Wanqi Xue,Xiaoxuan Lou,bo an†。掌握股票市场,并有效地混合了多元化的交易专家。第29届ACM SIGKDD知识发现与数据会议(KDD)的会议记录,2023年。[14]。Runsheng Yu,Weiyu Chen,Xinrun Wang,James Kwok。通过多目标软改进功能增强元学习。第11届学习代表国际会议(ICLR),2023年。[13]。Pengdeng Li,Xinrun Wang†,Shuxin Li,Hau Chan,Bo an。对均值现场游戏的人口大小的政策优化。第11届学习代表国际会议(ICLR),2023年。[12]。Shuxin Li,Xinrun Wang†,Youzhi Zhang†,Wanqi Xue,Jakub Cerny,Bo an。使用预训练的策略来解决大规模追求逃避游戏。第37届AAAI人工智能会议(AAAI)的会议记录,11586-
锗-高锡含量锡合金的能带结构临界点能量 作者:Dominic Imbrenda 应用物理快报 (APL) | 2021 年 10 月 快速大规模地跨空中、太空和网络领域对动态目标的指挥与控制 作者:Jinhong K Guo、Jennifer Lautenschlager、David Van Brackle、Val Champagne 第 26 届国际指挥与控制研究与技术研讨会 | 10 月 25-29 日 常见视频游戏平视显示器与现实世界设计在目标定位和识别方面的比较 作者:Gina Notaro、Raquel Galvan-Garza、Jim Allen、Matthias Ziegler 等人 2021 年 IEEE 混合和增强现实附加国际研讨会(ISMAR-Adjunct)|十月 嘈杂电流前庭刺激对功能性移动和手动控制学习的影响,使感觉运动任务无效 作者:Raquel Galvan-Garza 前沿神经科学杂志 基于去中心化强化学习的多四旋翼飞行器群集的实现 作者:Donald J Bucci、Christian Speck 等 IEEE Access | 十一月 具有亚线性动态遗憾和拟合的分布式在线凸优化 作者:Donald J Bucci 阿西洛马信号、系统和计算机会议 | 十一月 第十部分:具有概率保证的基于搜索的测试生成的随机算法系列 作者:Mauricio Castillo-Effen 计算研究存储库 (CoRR) | 十月 20 日 迈向值得信赖的人工智能和自主的道路 作者:Mauri
[1] Gagan Bansal、Besmira Nushi、Ece Kamar、Dan Weld、Walter Lasecki 和 Eric Horvitz。2019 年。人机协作团队向后兼容的案例。ICML 人机协作学习研讨会 (2019)。[2] Gagan Bansal、Tongshuang Wu、Joyce Zhou、Raymond Fok、Besmira Nushi、Ece Kamar、Marco Tulio Ribeiro 和 Daniel Weld。2021 年。整体是否超过部分?人工智能解释对互补团队绩效的影响。在 CHI 计算机系统人为因素会议论文集上。1-16。 [3] Umang Bhatt、Javier Antorán、Yunfeng Zhang、Q Vera Liao、Prasanna Sattigeri、Riccardo Fogliato、Gabrielle Gauthier Melançon、Ranganath Krishnan、Jason Stanley、Omesh Tickoo 等人。2020 年。不确定性作为透明度的一种形式:测量、传达和使用不确定性。arXiv 预印本 arXiv:2011.07586 (2020)。[4] Zana Buçinca、Maja Barbara Malaya 和 Krzysztof Z Gajos。2021 年。信任还是思考:认知强制函数可以减少人工智能辅助决策对人工智能的过度依赖。ACM 人机交互论文集 5,CSCW1 (2021),1-21。 [5] Rich Caruana、Yin Lou、Johannes Gehrke、Paul Koch、Marc Sturm 和 Noemie Elhadad。2015 年。医疗保健的可理解模型:预测肺炎风险和 30 天内住院率。第 21 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集。1721–1730。[6] R Dennis Cook。1986 年。局部影响力评估。皇家统计学会杂志:B 系列(方法论)48,2(1986 年),133–155。[7] Maria De-Arteaga、Artur Dubrawski 和 Alexandra Chouldechova。2021 年。利用专家一致性改进算法决策支持。arXiv 预印本 arXiv:2101.09648(2021 年)。 [8] Maria De-Arteaga、Riccardo Fogliato 和 Alexandra Chouldechova。2020 年。《人机交互案例:在存在错误算法评分的情况下做出决策》。2020 年 CHI 计算机系统人为因素会议论文集。1-12。[9] Berkeley J Dietvorst、Joseph P Simmons 和 Cade Massey。2015 年。《算法厌恶:人们在发现算法错误后会错误地避开算法》。《实验心理学杂志:综合》144, 1 (2015),114。[10] Kelwin Fernandes、Jaime S Cardoso 和 Jessica Fernandes。2017 年。《具有部分可观测性的迁移学习应用于宫颈癌筛查》。《伊比利亚模式识别与图像分析会议》。Springer,243-250。 [11] Yarin Gal 和 Zoubin Ghahramani。2016 年。Dropout 作为贝叶斯近似:表示深度学习中的模型不确定性。在国际机器学习会议 (ICML) 中。1050–1059。[12] Ruijiang Gao、Maytal Saar-Tsechansky、Maria De-Arteaga、Ligong Han、Min Kyung Lee 和 Matthew Lease。2021 年。通过 Bandit 反馈实现人机协作。IJCAI (2021)。[13] Pang Wei Koh 和 Percy Liang。2017 年。通过影响函数理解黑盒预测。在第 34 届国际机器学习会议论文集-第 70 卷中。JMLR。org,1885–1894 年。[14] Himabindu Lakkaraju、Jon Kleinberg、Jure Leskovec、Jens Ludwig 和 Sendhil Mullainathan。2017 年。选择性标签问题:在存在不可观测因素的情况下评估算法预测。第 23 届 ACM SIGKDD 国际知识发现与数据挖掘会议论文集。ACM,275–284。
[2] Hsiang-fu Yu,Cho-Jui Hsieh,Kai-Wei Chang和Chih-Jen Lin,当数据无法填充记忆中时,大型线性分类,第16届ACM SIGKDD国际知识发现与数据挖掘和数据挖掘的国际会议(KDD 2010)(KDD 2010),最佳研究论文,最佳研究论文,最佳研究论文。[3] Liunian Harold Li, Pengchuan Zhang, Haotian Zhang, Jianwei Yang, Chunyuan Li, Yiwu Zhong, Lijuan Wang, Lu Yuan, Lei Zhang, Jenq-Neng Hwang, Kai-Wei Chang , and Jianfeng Gao, Grounded Language-Image Pre-training, the Computer Vision and Pattern Recognition Conference (CVPR 2022)。最佳纸决赛入围者,在8161个提交中,有33名,最高0.4%[4] Kuan-Hao Huang,Varun Iyer,I.-Hung Hsu,Anoop Kumar,Kai-Wei Chang和Aram Galstyan。“ Paraamr:AMR反翻译的大规模句法释义数据集。”在计算语言学协会年度会议中(ACL 2023)。区域椅子奖(语义曲目中的顶纸)[5] Nikil Roashan Selvam,Sunipa Dev,Daniel Khashabi,Tushar Khot和Kai-Wei Chang。“尾巴摇晃狗:社会偏见基准的数据集建筑偏见。”在计算语言学协会年会(ACL Short)的年度会议中,2023年。杰出纸奖[6] Hritik Bansal,Yonatan Bitton,Idan Szpektor,Kai-Wei Chang和Aditya Grover。videocon:通过对比标题进行稳健的视频语言对齐。在计算机视觉和模式识别会议上(CVPR,2024)。在ICLR研讨会上有关基础模型数据问题的最佳纸张奖。[7] Pan Lu,Hritik Bansal,Tony Xia,Jiacheng Liu,Chunyuan Li,Hannaneh Hajishirzi,Hao Cheng,Kai-Wei Chang,Michel Galley和Jianfeng Gao。MathVista:评估视觉上下文中基础模型的数学推理。在国际学习表征会议上(ICLR,2024)。被选为口头(7,000份提交中的85个,前1.2%)[8] Hritik Bansal,Nishad Singhi,Yu Yang,Fan Yin,Aditya Grover和Kai-Wei Chang。“ CleanClip:减轻多模式对比学习中的数据中毒攻击。”在国际计算机愿景会议上(ICCV,2023)。为口头选择(在8088个意见中,有195个,前2.5%),ICLR的最佳纸张奖,涉及可信赖和可靠的大型机器学习模型。[9] Tao Meng,Sidi Lu,Nanyun Peng和Kai-Wei Chang。在神经信息处理系统中具有神经化甲骨文的可控文本生成(Neurips 2022)。被选为口头,201311年中有201名最高1.9%[10]洪川张,liunian Harold Li,Tao Meng,Kai-Wei Chang和Guy van den Broeck。“关于从数据中进行推理的悖论。”在人工智能国际联合会议中(IJCAI 2023)。ijcai-23中的前3个引用的论文[11] Sheng Shen,Liunian Harold Li,Hao Tan,Mohit Bansal,Anna Rohrbach,Kai-Wei Chang,Zhewei Yao和Kurt Keutz,Keurt Keutz,剪辑可以剪辑多少愿望和语言?国际学习代表会议(ICLR 2022)。iClr-22 [12] W. Ahmad,S。Chakraborty,B。Ray,K.-W。张。旨在进行程序理解和生成的预先培训。计算语言学协会北美分会(NAACL 2021),NAACL-21的前3个引用论文。太阳。[13] Z. Hu,Y。Dong,K。Wang,K.-W。 Chang和Y。gpt-gnn:图神经网络的生成预训练。ACM SIGKDD国际知识发现与数据挖掘会议(KDD 2020),在KDD-20的前10名引用论文。[14] M. Alzantot,Y。Sharma,A。Elgohary,B.-J。HO,M。Srivastava,K.-W。张。 生成自然语言对抗性示例。 自然语言经验方法会议HO,M。Srivastava,K.-W。张。生成自然语言对抗性示例。自然语言经验方法会议
[1] Dario Amodei、Chris Olah、Jacob Steinhardt、Paul Christiano、John Schulman 和 Dan Mané。2016 年。《人工智能安全中的具体问题》。CoRR abs/1606.06565 (2016)。[2] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2015 年。《算法厌恶:人们在发现算法有错误后会错误地避开它们》。《实验心理学杂志:综合》144, 1 (2015),114。[3] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2018 年。《克服算法厌恶:如果人们可以(即使稍微)修改算法,他们也会使用不完美的算法》。《管理科学》64, 3 (2018),1155–1170。 [4] Julie S. Downs、Mandy B. Holbrook、Steve Sheng 和 Lorrie Faith Cranor。2010 年。您的参与者是否在玩弄系统?筛查 Mechanical Turk 工人。在 SIGCHI 计算机系统人为因素会议论文集上。2399–2402。[5] Jodi Forlizzi 和 Carl DiSalvo。2006 年。家庭环境中的服务机器人:对家用 Roomba 吸尘器的研究。在第一届 ACM SIGCHI/SIGART 人机交互会议论文集上。[6] Dylan Hadfield-Menell、Smitha Milli、Pieter Abbeel、Stuart J. Russell 和 Anca Dragan。2017 年。逆向奖励设计。在神经信息处理系统的发展中。[7] Bill Hibbard。2012 年。避免意外的 AI 行为。在国际通用人工智能会议上。Springer,107–116。[8] Lynn M. Hulse、Hui Xie 和 Edwin R. Galea。2018 年。对自动驾驶汽车的看法:与道路使用者的关系、风险、性别和年龄。安全科学 102(2018 年),1–13。[9] Rafal Kocielnik、Saleema Amershi 和 Paul N. Bennett。2019 年。您会接受不完美的人工智能吗?探索调整人工智能系统最终用户期望的设计。在 CHI 计算系统人为因素会议论文集上。[10] Moritz Körber。2018 年。衡量对自动化信任的理论考虑和问卷的开发。在国际人体工程学协会大会上。Springer,13–30。 [11] Victoria Krakovna、Laurent Orseau、Miljan Martic 和 Shane Legg。2019 年。使用逐步相对可达性惩罚副作用。在 AI 安全研讨会 IJCAI 中。[12] Victoria Krakovna、Laurent Orseau、Richard Ngo、Miljan Martic 和 Shane Legg。2020 年。通过考虑未来任务来避免副作用。在第 20 届神经信息处理系统会议论文集上。[13] Miltos Kyriakidis、Riender Happee 和 Joost CF de Winter。2015 年。公众对自动驾驶的看法:对 5000 名受访者的国际问卷调查结果。交通研究 F 部分:交通心理学和行为 32(2015 年),127–140。 [14] Ramya Ramakrishnan、Ece Kamar、Debadeepta Dey、Julie Shah 和 Eric Horvitz。2018 年。《发现强化学习中的盲点》。《第 17 届自主代理和多代理系统国际会议论文集》。[15] Stuart Russell。2017 年。《可证明有益的人工智能》。《指数生命,下一步》(2017 年)。[16] Sandhya Saisubramanian、Ece Kamar 和 Shlomo Zilberstein。2020 年。一种减轻负面影响的多目标方法。在第 29 届国际人工智能联合会议论文集上。[17] Sandhya Saisubramanian 和 Shlomo Zilberstein。2021 年。通过环境塑造减轻负面影响。在第 20 届自主代理和多智能体系统国际会议论文集上。[18] Sandhya Saisubramanian、Shlomo Zilberstein 和 Ece Kamar。2020 年。避免因对人工智能系统知识不完整而产生的负面影响。CoRR abs/2008.12146 (2020)。[19] Rohin Shah、Dmitrii Krasheninnikov、Jordan Alexander、Pieter Abbeel 和 Anca Dragan。 2019. 世界状态中的隐含偏好。第七届国际学习表征会议论文集。[20] Alexander Matt Turner、Dylan Hadfield-Menell 和 Prasad Tadepalli。2020. 通过可实现效用保存实现保守代理。AAAI/ACM 人工智能、伦理与社会会议论文集。[21] Ming Yin、Jennifer Wortman Vaughan 和 Hanna Wallach。2019. 理解准确度对机器学习模型信任的影响。CHI 计算系统人为因素会议论文集。[22] Shun Zhang、Edmund H. Durfee 和 Satinder P. Singh。2018. 分解马尔可夫决策过程中对副作用的 Minimax-Regret 查询以实现安全最优。在第 27 届国际人工智能联合会议论文集上。