标签
加州大学伯克利分校的研究人员提出了一种混合系统，将认知算法的发现视为一个程序精化问题：LLM 智能体根据行为数据的不匹配来修正人类编写的概率程序，并在问题求解范式中持续提升模型拟合效果。
本文介绍了一种进化循环决策模型，用于分析适应性和非适应性行为的发展，应用于人工智能和认知系统。
本文介绍了WitnessSim，一个使用可控法律角色扮演的证词模拟器，以及一个用于评估法律模拟中行为真实性的评估框架。
本文介绍了一个行为诱导框架，通过在结构化决策任务上微调语言模型，以引发生成分布中稳定的、上下文无关的偏移，从而模拟抑郁和偏执等病理样行为模式。
本文识别了逆强化学习（IRL）中观测缺失的问题，该问题可能导致专家行为看似次优，并提出了一种实用算法，用于量化使专家行为显得最优所需的最小扰动，并在合成任务、癌症治疗模拟和ICU数据上进行了验证。
这篇学术论文识别并表征了行为曲线建模中的辛普森悖论，展示了由于生存偏差，聚合如何系统性地扭曲对用户动态的参数估计。作者们在 Goodreads 和 Amazon Electronics 等数据集上验证了这种失真，并提出了分层峰值估计方法来缓解这一问题。