XiaoMi-AI文件搜索系统
World File Search System行为模型
博士课程综合考试大纲
弹性和塑性理论、应力张量、应力变换、应变变换、八面体应变、有限变形、莫尔圆、各向同性和均质材料的胡克定律、平面应力和平面应变。塑性理论、金属屈服标准、冯·米塞斯屈服标准、特雷斯卡屈服标准、材料行为模型、列维米塞斯（流动法则）和普朗特-罗伊斯应力应变关系。滑移线场理论、亨基定理、滑移线图、最简单滑移线场。金属成型工艺：轧制 - 轧制压力、驱动扭矩和功率、功率损耗、拉丝 - 拉拔力和功率、最大允许压缩量、挤压 - 工作负荷、锻造 - 最大锻造力、深拉 - 拉拔力的估计、弯曲 - 工作负荷、回弹、冲孔和落料 - 变形模型和断裂分析、工作力的确定、金属成型中的摩擦和润滑。
捕获人类战略决策的复杂性
了解人们在战略环境中的行为如何 - 根据自己对他人行为的期望做出决定 - 在行为科学中是一个长期存在的问题。我们在两人矩阵游戏中初次玩游戏的背景下进行了战略决策的最大研究，分析了超过2,400多个程序生成的游戏的90,000多个人类决策，这些游戏比以前的数据集更宽。我们表明，对这些数据训练的深层神经网络比领导战略行为理论更好地预测了人们的选择，这表明存在这些理论并未解释的系统变化。然后，我们修改网络以产生一种新的，可解释的行为模型，揭示原始网络对人的了解：他们最佳响应的能力和推理他人的能力取决于单个游戏的复杂性。这种上下文依赖性对于解释与战略决策中的理性纳什均衡，响应时间和不确定性的偏差至关重要。更广泛地说，我们的结果表明，如何在预测之外应用机器学习，以进一步帮助产生对复杂人类行为的新解释。
标记和成本通过供应链
我们在供应链上研究标记和定价策略。我们独特的数据集结合了来自大型全球制造商的详细价格和成本信息，并在2018年7月至2023年6月的网上收集的匹配零售价。我们表明，尽管样本结束时的通货膨胀期，尽管零售价和生产成本之间的差异反映了零售价和生产成本之间的差异。沿供应链，制造商和零售标记是负相关的。在大多数情况下，我们在各个国家 /地区都发现了类似的模式，尽管制造商和零售商之间的标记拆分存在很大的异质性。我们的分析还揭示了针对成本冲击的反应定价行为。制造商比零售商更快地调整价格，并且似乎更充分地纳入了特定产品的特质成本冲击。我们提出了一个供应链定价行为模型，该模型使数据中的关键模式合理化，并使用该模型来量化确定制造商和零售商之间相对讨价还价能力的因素。
UvA-DARE（数字学术资源库）
随着计算认知神经科学领域的不断扩展和新理论的产生，人们越来越需要更先进的方法来检验大脑行为关系的假设。贝叶斯认知建模的最新进展使得神经和行为模型能够结合成一个统一的框架。然而，这些方法需要手动提取特征，并且缺乏在更复杂的数据中发现以前未知的神经特征的能力。因此，这会阻碍模型的表现力。为了应对这些挑战，我们提出了一种神经认知变分自动编码器 (NCVA)，将高维脑电图与认知模型结合起来，用于生成和预测建模分析。重要的是，我们的 NCVA 既可以根据行为数据预测脑电图信号，又可以根据脑电图信号估计认知模型参数。这种新方法可以让我们更全面地了解行为、大脑活动和认知过程之间的三重关系。
态度的经济理论 - Matthew G. Nagler - CUNY
本文探讨了一个人的态度或对某个对象的心理立场在解释经济行为中的作用。从研究和“现实生活”实例中得出的观察结果构成了包含态度的效用函数的基础。在决策模型中运用效用函数，我使用比较静态分析来研究价格驱动和其他外生态度变化对经济结果的影响。然后应用该模型的分析来调查态度对激励人们、打击恐怖主义和遏制艾滋病传播的影响。在每一种情况下，纳入态度都会大大提高经济分析解释观察到的结果的能力，并为制定更有效的私人战略和公共政策提供基础。关键词：效用函数；消费者决策；行为模型；公共政策；参考框架。作者感谢 Paul Durso 提供的出色研究协助。我还要感谢 Christiaan Hogendorn、Elias Khalil 和巴鲁克学院公共事务学院的研讨会参与者提供的有益评论。
适应人类偏好对人机协作信任的影响
我们展示了在人机协作任务中适应人类偏好对信任的影响。团队执行一项任务，其中机器人充当人类的动作推荐者。假设人类和机器人的行为基于他们试图优化的某种奖励函数。我们使用一种新的人类信任行为模型，该模型使机器人能够在与人类互动的过程中使用贝叶斯逆强化学习实时学习并适应人类的偏好。我们提出了三种机器人与人类互动的策略：非学习者策略，其中机器人假设人类的奖励函数与机器人的相同；非自适应学习者策略，学习人类的奖励函数以进行性能评估，但仍优化自己的奖励函数；自适应学习者策略，学习人类的奖励函数以进行性能评估，并优化这个学过的奖励函数。结果表明，适应人类的奖励函数会使机器人获得最高的信任。
您会接受 AI 建议吗？预测 AI 辅助决策中的人类行为
互联网用户每天都会在网上做出许多决策。随着近年来人工智能的快速发展，人工智能辅助决策（由人工智能模型提供决策建议和信心，而人类做出最终决策）已成为人机协作的新范式。在本文中，我们旨在定量了解人类决策者是否以及何时会采纳人工智能模型的建议。我们通过将人类决策者在每个决策任务中的认知过程分解为两个部分来定义人类行为模型空间：效用部分（即评估不同动作的效用）和选择部分（即选择要采取的动作），然后我们在模型空间中执行系统搜索以确定最适合现实世界人类行为数据的模型。我们的研究结果强调，在人工智能辅助决策中，人类决策者的效用评估和行动选择受到他们自己对决策任务的判断和信心的影响。此外，人类决策者表现出在效用评估中扭曲决策信心的倾向。最后，我们还分析了随着决策的利害关系不同，人类对人工智能建议的采纳行为的差异。
性别和疫苗接种
摘要 大众媒体和学术文章都推测性别会影响疫苗接种，但他们对于男性或女性是否不太可能接种疫苗往往存在分歧。在本文中，我们进一步在四个数据集中测试了性别与疫苗接种的关系，并评估了疫苗犹豫维度的中介作用。我们的结果表明：（1）性别与几个疫苗犹豫维度有显著关系，这些维度在对疫苗接种持负面看法的男性和女性之间混合存在；（2）性别与流感和 COVID-19 疫苗接种意愿或接种情况没有显著关系，但女性更有可能接种其他疫苗；（3）在广泛使用 COVID-19 疫苗后收集的两个数据集中确实出现了显著的间接影响，即疫苗会导致健康风险的观念介导了性别与流感疫苗接种意愿以及 COVID-19 疫苗接种意愿和接种情况的关系。我们的讨论将这些发现与预防行为模型相结合，并确定了未来研究的方向。
将传粉媒介的运动整合到授粉模型
对授粉过程的准确预测是可持续粮食生产和自然生态系统保护的关键挑战。对于许多植物，花粉扩散是由蜜蜂动物的觅食运动介导的。虽然大多数当前的授粉生态模型都采用随机的花粉运动，但对动物行为的研究表明，授粉昆虫，鸟类和蝙蝠如何依赖感官提示，学习和记忆来参观流量，从而产生复杂的运动模式。基于对授粉和运动模型的简要回顾，我们认为我们需要更好地考虑授粉媒介的认知，以改善从各个空间量表中对动物介导的授粉的预测，从单个流动物到植物，植物，栖息地斑块和景观。我们提出了将行为模型整合到授粉模型中的实用路线图，并讨论该合成如何对植物交配模式和拟合度进行修复预测。在动物行为和植物生态学研究之间的这种串扰将为迫在眉睫的危机提供强大的机械工具来预测和对授粉服务采取行动。
使用强化学习
这项工作建立了一个有效的基于AI的消息生成系统，用于在农村地区预防糖尿病，在这种情况下，糖尿病率一直以惊人的速度增加。信息包含有关糖尿病原因和并发症的信息，以及营养和健身对预防疾病的影响。我们建议应用强化学习（RL），以优化我们的消息选择随着时间的流逝，以量身定制我们的消息以与每个参与者的需求和偏好保持一致。我们在印度进行了一项广泛的实地研究，其中涉及1000多名参与者，他们是村民，他们在六个月的时间内收到了我们系统产生的信息。我们的分析表明，与静态消息集相比，通过使用AI，我们可以在参与者的糖尿病相关知识，体育锻炼和避免高脂食品的避免方面取得显着改善。此外，我们构建了一个新的基于神经网络的行为模型，以预测参与者的情况变化。通过利用与健康相关行为的非衍生特征，我们设法显着提高了模型的预测准确性与基线相比。