可解释的AI模型揭示了游戏中人类的决策模式

研究人员探索了可解释的机器学习模型，以理解游戏中人类的决策，特别是偏离预测的独立同分布（i.i.d.）博弈行为。通过分析来自零和纸牌游戏的84,000多项决策，该研究将LSTMs等黑箱序列模型与透明模型进行了比较。研究结果表明，诸如重复或避免过去行为等可预测的行为，特别是关于玩家自身近期历史的管理，占了大部分具有战略意义的信号，而频率跟踪的预测价值很小。 AI

影响 为人类行为建模提供了见解，有望提高AI预测和与人类决策互动的能力。

排序理由 该集群包含一篇发表在arXiv上的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• arXivLabs
• Ewa
• Hugging Face
• lasso
• long short-term memory
• O'Neill
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →