XiaoMi-AI文件搜索系统
World File Search System决策者
IPCC不确定性框架：一些决策者想要什么（以及为什么不应该）
对气候变化的研究受到深刻的不确定性的困扰，而研究的直接政策含义仍然使兄弟会引起兄弟。政策制定世界有其要求：不确定的信息必须以简单，一致和相关的方式传达。为了平衡这些要求与对科学严格的需求，必须以与决策相关的方式传达不确定性，又对科学尽可能地忠于科学。为了解决这个问题，IPCC不确定性指南（IPCC 2010）既提供了信心，也提供了可能性指标，以使专家在发现中表征不确定性。置信度度量是在定性量表上定义的，五个级别（“非常低”，“低”，“中”，“高”和“非常高”）。适当的置信度取决于对两个独立维度的评估：证据和一致（图1）。
决策者的摘要-ICPAC
3月至5月（MAM）构成了一个重要的降雨季节，特别是在非洲大角（GHA）的赤道部分，MAM降雨占每年降雨量的60％。对GHA地区定制的九个全球生产中心（GPC）进行全球季节气候模型预测的分析表明，索马里，东部和北部埃塞俄比亚东部和东北部的大部分摩尔正常状况可能是较干燥的正常状况（图1A）。在埃塞俄比亚 - 肯尼亚 - 索马里亚，东北厄立特里亚和南苏丹的部分地区的跨境区域提出了比正常条件更干燥的概率（55％）。另一方面，坦桑尼亚中部和南部，乌干达东北部，南苏丹东北部和埃塞俄比亚西部的部分地区预计比正常情况要湿。
民主党人可以采取措施来应对2025年的生活成本，并为决策者的路线图
民主党人应支持鼓励分区改革的两党立法。这类立法的良好例子包括由参议员约翰·费特曼（John Fetterman）和当选参议员丽莎·布朗特·罗切斯特（Lisa Blunt Rochester）赞助的住房法监管障碍，在我的后院（yimby）法案中，是由代表性的住房代表，由代表供应的代表供应商，由代表供应的代表供应商，由代表供应商的代表和代表的代表，由代表供应商的代表和代表的代表，由代表供应商，由代表供应商，由代表供应商，由代表供应商，由代表供应商，由代表供应商，代表着代表的供应。克洛布查（Klobuchar），由代表瓦尔·霍伊尔（Val Hoyle）赞助的破折号（不错的，负担得起的和安全的住房）。拜登政府通过土地管理局，美国邮政局和美国森林服务局希望重新利用联邦土地，以允许新的住房开发。国会议员可以制定新的立法来帮助推进这是一个伟大的供应范围的想法。尽管它不是分区改革本身，但民主党人应支持由玛丽·格伦森坎普·佩雷斯（Marie Glusenkamp Perez）赞助的《建筑法》，该法案将创建一项赠款计划，该计划将在建筑业中扩大培训，以增加建筑业的培训，以增加房屋单元的供应，并降低成本。
Mamba 作为决策者：探索离线强化学习中的多尺度序列建模
摘要 — 顺序建模在离线强化学习 (RL) 中表现出色，其中决策转换器 (DT) 是最显著的代表之一，取得了显著的成功。然而，RL 轨迹具有与传统序列（例如文本或音频）不同的独特属性：（1）局部相关性，其中 RL 中的下一个状态在理论上仅由基于马尔可夫决策过程 (MDP) 的当前状态和动作决定，以及 (2) 全局相关性，其中由于轨迹的时间连续性，每个步骤的特征都与长期历史信息相关。在本文中，我们提出了一种新颖的动作序列预测器，名为 Mamba Decision Maker (MambaDM)，其中 Mamba 有望成为序列建模范式的有前途的替代方案，因为它可以有效地建模多尺度依赖关系。特别是，我们介绍了一种新颖的混合器模块，它可以熟练地提取和集成输入序列的全局和局部特征，从而有效地捕捉 RL 数据集中的相互关系。大量实验表明，MambaDM 在 Atari 和 OpenAI Gym 数据集上实现了最佳性能。此外，我们通过实证研究了 MambaDM 的扩展规律，发现增加模型大小不会带来性能提升，但将 MambaDM 的数据集大小扩大 2 倍可以在 Atari 数据集上获得高达 33.7% 的得分提升。本文深入探讨了 MambaDM 在 RL 领域的序列建模能力，为未来在稳健高效的决策系统方面的进步铺平了道路。
PlanRAG：一种用于决策者的生成大型语言模型的规划检索增强生成方法
在本文中，我们进行了一项研究，以利用 LLM 作为需要复杂数据分析的决策制定的解决方案。我们将决策问答定义为针对决策问题 Q、业务规则 R 和数据库 D 回答最佳决策 d best 的任务。由于没有可以检验决策问答的基准，我们提出了决策问答基准 DQA。它有两个场景，定位和建造，由两个视频游戏（Europa Universalis IV 和 Victoria 3）构建，它们的目标与决策问答几乎相同。为了有效地解决决策问答问题，我们还提出了一种新的 RAG 技术，称为迭代计划然后检索增强生成（PlanRAG）。我们基于 PlanRAG 的 LM 生成决策制定计划作为第一步，检索器生成数据分析查询作为第二步。所提出的方法在定位场景中比最先进的迭代 RAG 方法高出 15.8%，在建筑场景中比最先进的迭代 RAG 方法高出 7.4%。我们在 https://github.com/myeon9h/PlanRAG 上发布了我们的代码和基准。
决策者的摘要 - 季节性预测
咨询•促进保存过多的牧场和水收集。•增强疾病监测，尤其是针对跨界动物疾病（TADS）。•创建社区对预期的降雨和河流洪水的认识，以投资商业饲料生产，并将动物展示给疫苗接种。•在饲料，牛奶，肉类等中促进性别敏感的企业家。处理和营销。•提高使用抗菌剂以降低抗菌耐药性的意识。•敦促各国遵循ICPAC和气象部门的预测更新。•激活性别反应式移民和平委员会，以减轻牧民，农民，野生动植物之间的冲突。•提高性别响应式访问预警消息，并建立社区的能力，以了解，解释和利用这些消息。•促进尸体，疫苗和抗菌剂的适当处理，以供可持续的环境供应。
人机协作决策者如何做出……
1.本文探讨了人机决策的技术、实践和伦理理解的现状和发展状态。鉴于国防和安全环境中技术的快速发展，人机协作在决策中的应用越来越广泛，这是不可避免的、必要的和可取的。随着技术的发展，相关术语也在不断演变，这里描述的情况存在相当大的细微差别。人机协作决策对国防的影响在收益和潜在风险方面都很重要。作战决策依赖于收集、处理和控制来自所有领域的大量数据。这些数据的速度和数量超出了人类做出有效明智决策的认知能力。人机协作使作战指挥官能够管理和分析这些大型数据集以支持决策。人类和机器各有优势，需要合作处理决策的不同方面。人工智能可以利用分析方法解决复杂问题。人类认知更适合关注不确定性，采用创造性、直觉和基于经验的决策。
关于预测模型和决策者：为什么公平需要不仅需要公平的预测模型
摘要基于预测的决策领域的隐含歧义涉及词典和决策概念之间的关系。该领域的许多文献都倾向于模糊两个概念之间的界限，并且通常只是指“公平的预测”。在本文中，我们指出，在尝试实施算法公平性时，这些概念的差异化是有帮助的。即使公平属性与使用的预测模型的特征有关，更恰当地称为“公平”或“不公平”的是决策系统，而不是预测模型。这是因为公平是关于由决定而不是由预测所产生的对人类生命的后果。在本文中，我们阐明了预测和决策概念之间的区别，并显示了这两个要素影响基于预测决策系统的最终公平属性的不同方式。以及从概念和实际角度讨论这种关系，我们提出了一个框架，以更好地理解和推理在基于预测的决策中建立公平性的概念逻辑。在我们的框架中，我们指定了不同的角色，即“预测模型”和“决策者”，以及每个人都为能够实现系统公平性所需的信息。我们的框架允许对角色的不同责任提出不同的责任，并讨论与道德和法律要求有关的一些见解。我们的贡献是双重的。首先，我们提供了一种新的观点，将重点从算法公平的抽象概念转移到了算法决策的具体背景依赖性的性质，在那里存在不同的参与者，可以实现不同的目标，并且可以独立行动。此外，我们还提供了一个概念框架，可以帮助在公平问题，确定职责并在现实世界中实施公平治理机制，以结构基于预测的决策问题。