亚洲女同成aV人片在线观看|亚洲www啪成人一区二区麻豆|亚洲国产中日韩精品综合|亚洲国产成人精品一级片|亚洲无码在线视频免费

2020年2月7日，什場(chǎng)在第34屆美國人工智能協(xié)會(huì )年會(huì )AAAI 2020現場(chǎng)，用個(gè)應用深度學(xué)習三巨頭齊聚，(╯°□°)╯場(chǎng)景“計算機視覺(jué)”與“機器學(xué)習”分座兩旁，百余對最佳論文虎視眈眈。種算

最終清華大學(xué)與南洋理工大學(xué)的什場(chǎng)一篇“混合可分割和不可分割商品(′?ω?`)的公平劃分”文章獲得最佳學(xué)生論文獎。

論文地址：https://arxiv.org/pdf/1911.07048.pdf

這在老牌經(jīng)濟學(xué)家眼里似乎不可思議，用個(gè)應用畢竟經(jīng)濟學(xué)研究的場(chǎng)景重心不在預測方??面，而是百余對于經(jīng)濟現象的解釋(′▽?zhuān)?，經(jīng)濟運作規律???的種算揭示。

具象一些，深度學(xué)習的黑盒性質(zhì)無(wú)法有(you)效地解釋優(yōu)化好的參數，無(wú)法說(shuō)明參數對經(jīng)濟規律具體作用┐(′д｀)┌機制。

1 強化學(xué)習之于稅收設計

兩級學(xué)習框架

斯坦福大學(xué)(′?｀)(xue)副教授 Richard Socher 開(kāi)發(fā)(fa)了一個(gè)包含智能體（工人）和稅收政策（政府）的兩級強化學(xué)習框架，用原生態(tài)的經(jīng)濟環(huán)境來(lái)設計稅收政策。

在動(dòng)態(tài)模擬的世界中只設置了兩種資源：木材和石材，并假設資源再生的速度有限。工人通過(guò)在世界里隨機游走收集資源并通(tong)過(guò)買(mǎi)賣(mài)或者蓋房子賺錢(qián)。錢(qián)可以帶來(lái)效用（滿(mǎn)足程度ヽ(′▽?zhuān)?/），蓋房子付出勞動(dòng)會(huì )降低效用。

另外，給予工人技能不同勞動(dòng)效率不同的假設，工人賺的錢(qián)需ヽ(′ー｀)ノ要繳稅，系(′?_?`)統所得稅收在所有工人之間平均分配。

平均分配的機制對工人戰略眼光進(jìn)行了要求。當(????)模擬世界中的工人以效用最大化為目標時(shí)，整個(gè)系統出現了這種狀況：低技能的工人自收集和銷(xiāo)售，高技能的工人買(mǎi)材料和建筑。

這種狀況在經(jīng)濟學(xué)中的術(shù)語(yǔ)是“分工專(zhuān)業(yè)化”，此舉能夠最大化系統的效用。

在整個(gè)模型運行的??過(guò)程中，用強化學(xué)習的最(zui)佳稅收設計作為獎勵模式。政策制定者可以設置稅率影響工人稅后收入水平，工人??通過(guò)買(mǎi)賣(mài)資??源和蓋房子獲得金錢(qián)（效用(yong)），強化學(xué)習獎勵目標是：整體系統效用(′ω｀)最大化。

有了這個(gè)獎勵目標，工人和政策制定者的行動(dòng)對整個(gè)系統帶來(lái)了內部循環(huán)和外部循環(huán)兩個(gè)挑戰。

在內部循環(huán)中，工人??在勞動(dòng)、掙錢(qián)、納稅之中不斷調整(???)自己的行為，如果這時(shí)候給定其一個(gè)固定的稅率，那么問(wèn)題就變成具有固定獎勵函數的標準多智能體強化學(xué)習問(wèn)題。

在外部循環(huán)中，稅收政策的調整是為了優(yōu)化社會(huì )目標??。這就形成了一個(gè)非靜態(tài)??的學(xué)習環(huán)境，在這個(gè)環(huán)境中，強化學(xué)習中的智能體需要不斷地適應不斷變化的效用環(huán)??境。

最后，作者發(fā)現通過(guò)使用學(xué)習稅率表（類(lèi)似美國所得稅的征稅方式）和熵( ?° ?? ?°)正則化等技術(shù)，可以找到穩定的收斂點(diǎn)。實(shí)驗結果表明，通過(guò)強化學(xué)習的AI經(jīng)濟學(xué)家能在提高47%的平等性的同時(shí)，只降低11%的生產(chǎn)率。

在虛擬世界中模擬現實(shí)經(jīng)濟狀況，想法設計更好的制度只是AI和經(jīng)濟學(xué)結合方式之一。其實(shí)深度強化學(xué)習在面臨風(fēng)險參數和不確定性不斷增加的現實(shí)經(jīng)濟問(wèn)題時(shí)，也可以提供更好的性能和更??高的精度。

2 深度學(xué)習在經(jīng)濟學(xué)中的應用

論文下載：https://arxiv.org/ftp/arxiv/papers/2004/2004.01509.pdf

在論文《經(jīng)濟學(xué)中的強化學(xué)習》（Comprehensive Review of Deep Rei(╯°□°）╯︵ ┻━┻nforcement Learning Methods and Applications in Economics）中，德累斯頓理工大學(xué)和牛津布魯克斯大學(xué)的研究員們細數了強化學(xué)習在經(jīng)濟學(xué)中的表現。

1、深度??學(xué)習下的股票定價(jià)

情緒對股價(jià)走勢無(wú)疑非常重要，當前的大多數研究依賴(lài)于低效的情緒數據集??，這往往會(huì )導致模型性能不佳，[68]提出的兩流門(mén)控循環(huán)單元發(fā)現比LSTM模型性能更佳。另??外他們提出了Stock2Vec嵌入??模型，并在(zai)使用哈??佛IV-4的同時(shí)，對模型的穩健性進(jìn)行了(′▽?zhuān)?)市場(chǎng)風(fēng)險的證明。

[69]提出了( ?▽?)一項聚光燈下的深度學(xué)習技術(shù)（spotlighted deep learning ）應用于股價(jià)預測，主要創(chuàng )新點(diǎn)是濾波技術(shù)賦予了深度學(xué)習模型新穎的輸入特征。

[70]在分析股票價(jià)格模式的同時(shí)，利用深度學(xué)習技術(shù)(shu)對(dui)股ヽ(′ー｀)ノ票價(jià)值流(°□°)進(jìn)行了預測，具體是利用時(shí)間序列技術(shù)設計??了一種DNN深度學(xué)習算法來(lái)尋找模式，雖然準確度有86%。但是，DNN存在擬合過(guò)度、復雜度高等缺???點(diǎn)，??因此建議使用CNN和RNN。

2、深度學(xué)習下的保險業(yè)

保險業(yè)現ヽ(′▽?zhuān)?ノ在面臨的問(wèn)題是??，如何有效地管理欺詐檢測。相應的，機器學(xué)習技術(shù)針對此問(wèn)題，逐漸開(kāi)發(fā)了測量所有類(lèi)型風(fēng)險的算法。

[75]等人利(li)用(′_｀)社(she)會(huì )化網(wǎng)絡(luò )分析法檢測大數據集的汽車(chē)保險職業(yè)欺詐。他們用循環(huán)概念構建了間接碰撞網(wǎng)絡(luò )（ indirect collision??s network），在更現實(shí)的市場(chǎng)假設下，此網(wǎng)絡(luò )能夠識別可疑的循環(huán)，從而獲得更多利潤。另外，他們還通過(guò)實(shí)際數據得出的造假概率，對可疑成分的方法進(jìn)行了評價(jià)。

[76]等人采用LDA和( ?ヮ?)DNNs技術(shù)相結合的方式提取事故的文本特征，發(fā)現其性能優(yōu)于傳統的方法。另外，為了考慮LDA對預測過(guò)程的影響，他們還在“有LDA”和“無(wú)LDA”兩種情況下，通過(guò)準確度和精確度性能因子對結果進(jìn)行(′_ゝ`)評估。

[77]等人提出了一種(zhong)結合自動(dòng)編碼技術(shù)和遠程信息處理數據值的算法來(lái)預測與保險客戶(hù)相關(guān)的風(fēng)險。

3、深度學(xué)習下的拍賣(mài)機制

拍賣(mài)ヾ(＾-＾)ノ機制的核心是：投標人需要規劃出最大化利潤的最優(yōu)策ヽ(′▽?zhuān)?ノ略。最新的研究成果如下(′?｀)表所示：

[83]等人在預算約束和貝葉斯兼容性方面對[82]（增廣拉格朗日法）中的結果進(jìn)行了擴展。他們的方法證明了神經(jīng)網(wǎng)絡(luò )能夠通過(guò)關(guān)注不??同估值分布的多重設置問(wèn)題，有效地設(′?｀)計出新穎( ???)的最優(yōu)收益(′_ゝ`)拍賣(mài)。

[84??]等人采用了數據為導向的方法。具體方法：假定可以對每個(gè)投標者應用多個(gè)投標的前提下利用策?略專(zhuān)業(yè)知識。

[85]等人是使用多層神經(jīng)網(wǎng)絡(luò )技術(shù)構建了一種有效的拍賣(mài)機制，并應用于移動(dòng)區塊鏈網(wǎng)絡(luò )。

[86]設計了一種多投標人的兼容拍??賣(mài)機制，具體通過(guò)應用多層神經(jīng)網(wǎng)絡(luò )對其(qi)機制進(jìn)行編碼，從而最大化了利潤。與基于線(xiàn)(xian)性規劃的方法相比，采用增廣拉格朗日技術(shù)的方法能夠解決更復雜的任務(wù)。

4、深度學(xué)習下(′-ι_-｀)的銀行和在線(xiàn)市場(chǎng)

在網(wǎng)上購物和信用??卡場(chǎng)景中對欺詐檢測要求非常高，當前強化學(xué)習最先進(jìn)的研究??成果如下表所示：

[90]應用基礎實(shí)驗證實(shí)了AE（自動(dòng)編碼）和RBM（玻爾茲曼機）方法能夠在海量數據集下準確地檢測信用卡的(de)風(fēng)險。但是深度學(xué)習在建立模型時(shí)需要利用影響其結果的不同參數。

[87]提出的研究設計了一種自動(dòng)編碼器算法，建立的高效自動(dòng)化工具可以處理世界各地日常交易。該模型使研究人員可以在不需要使用欠抽樣等數(′?ω?`)據平衡方法的情況下，給出關(guān)于不平衡數據集的報告。

[89]設計了一個(gè)使用自??然語(yǔ)??言處理(NLP)技術(shù)的新框架，能夠形成與各種數據源（如??新聞和推文）相關(guān)聯(lián)的復雜機??制，從而有效檢測洗錢(qián)活動(dòng)。

5、深度學(xué)習下的宏觀(guān)經(jīng)濟

宏觀(guān)經(jīng)濟最重要的問(wèn)題是指標預測，包括失業(yè)率、GDP增長(cháng)速率等。采用神??經(jīng)網(wǎng)絡(luò )的方法，最新的研究成果(guo)如下圖所示：

[92]提出了一種高魯棒性模型——編碼器-解碼器模型，利用深度神經(jīng)架構提高失業(yè)問(wèn)題預測精度，并且精度要求很低。另外，在此基礎上，其還采用平均絕對誤差（MAE）值來(lái)評估結果。

Haider 和 Hanif [93]構建神經(jīng)網(wǎng)絡(luò )預測通貨膨脹，其結果由均方根（RMSヽ(′▽?zhuān)?ノE）值來(lái)評估。

[94]使用前饋神經(jīng)網(wǎng)絡(luò )進(jìn)行戰術(shù)性資(╬?益?)產(chǎn)配置，同時(shí)應用宏觀(guān)經(jīng)濟指標和價(jià)量趨勢。他們提出了兩種不同的方法來(lái)構建投(?_?;)資組合，第一種方法用于估計預期收益和不確定性，第二種方法直接利用神經(jīng)網(wǎng)絡(luò )結構獲得配置，并對投資組進(jìn)行優(yōu)化。

6、金融市場(chǎng)中的深度學(xué)習

在金融市場(chǎng)中，有效處理信貸風(fēng)險至關(guān)重要。由于最近大數據技術(shù)的進(jìn)步，深度學(xué)習模型可以設計出可靠的金融模型來(lái)預測銀行系統的信用風(fēng)險，最新研究如下表：

[95]使用二進(jìn)制分類(lèi)技術(shù)給出了選定的機器┐(′ー｀)┌學(xué)習和深度學(xué)習模型的基本特征。此外，考慮到貸款定價(jià)過(guò)程中的關(guān)鍵特征和算法，此研究分別使用這兩個(gè)模型對(dui)貸款違約概率進(jìn)行了預測。

[96]研究的方法可以幫助金融機構以較少(′▽?zhuān)?)的工作量進(jìn)行信用評估，同時(shí)能夠提高信用評分和客戶(hù)評級方面的分類(lèi)準確性。另外，還對線(xiàn)┐(′?｀)┌性SVM，CART，k-NN，樸素貝葉斯，MLP和RF技術(shù)的精確度進(jìn)??行了比較。

[97]通過(guò)自動(dòng)編碼、校準、驗證等過(guò)程構建了一個(gè)資產(chǎn)組合算法，可以應(ying)用于(′▽?zhuān)?包括看跌期權和看漲期權在內的(?????)具有標的股票的投資組合。

[98]建立了抵押貸款風(fēng)險的深度(???)學(xué)習模型，能夠處理龐大的數據集。實(shí)驗結果發(fā)現：受當地經(jīng)(′ω｀*)濟狀況影響的變量與債務(wù)人行為之間具有非線(xiàn)性關(guān)系。例如，失業(yè)??變量在抵押貸款風(fēng)險中占有相當大的比重。

財務(wù)問(wèn)題通常需要對多個(gè)來(lái)源的數據集進(jìn)行分析。因此，構(╬?益?)建一個(gè)可靠的模型來(lái)處理數據中的異常值和特征非常重要。最新研究成果如下(′ω｀)圖：

[99]設計的模型具有提取非線(xiàn)性數據模式的能力。他(ta)們使用LSTM、自動(dòng)編碼和智能索引等神經(jīng)網(wǎng)絡(luò )體系ヽ(′▽?zhuān)?ノ結構來(lái)估計證券投資組合的風(fēng)險。

[100]利用DNN結構對期權定價(jià)問(wèn)題進(jìn)行了研究，以相當高的精度重構了著(zhù)名的BLACK-SCHOLES期權定價(jià)模型計算公式???。

[101]結合交易復雜性研究了期權定價(jià)問(wèn)題，其研究(′ω｀)目標是探索高頻交易方式下的有效投資策略。其中，LSTM-SVR模型應用于最終交??易的預測。

[102(′?ω?`)]提出了一種新的學(xué)習遺傳算??法，該算法利用R-NN模型來(lái)模擬(′▽?zhuān)?人類(lèi)的行為。具體采用了(le)復雜的深度學(xué)習結構，包括：???強化學(xué)習用于快速決策，深度學(xué)習用于構建??股票身份，聚類(lèi)用于整體決策目的，遺傳用于轉移目的。

零售用的最多的是增強現實(shí)（AR??），此項技術(shù)能夠改善客戶(hù)的購買(mǎi)體驗。最新研究成果如下所示：

[104]在一項研究中將深度學(xué)(xue)習技術(shù)和增強現實(shí)方法相結合，以便為客戶(hù)提供豐富的信息。他們還提出了一個(gè)移動(dòng)應用程序，使其能夠通過(guò)深度學(xué)習中的圖像分類(lèi)技術(shù)來(lái)定位客戶(hù)。

[105]設計了一種新的DNN來(lái)準確預測未來(lái)的銷(xiāo)售，該模型使用了一組完全不同的變量，如產(chǎn)品的物??理規格和(???)專(zhuān)家的想法。??

[106]等人用CNN回歸模型來(lái)解決評估商店可用人數和檢測關(guān)鍵點(diǎn)的計數這兩個(gè)問(wèn)題。

[107]同時(shí)采用k-均值算法和k-近鄰算法，將計算出的質(zhì)心合并到CNN中(zhong)，以實(shí)現有效的分離和自適應。該模型主要用于驗證食品生產(chǎn)日期等相關(guān)信息。

[108]發(fā)展了一項涉及元塑性概念(′?_?`)（ the concept of meta pla?sticity）的工作，它具有提高學(xué)習機制靈活性的能力，能夠從數據中發(fā)現更深層次的有用信息并進(jìn)行學(xué)習。研究的重點(diǎn)是MLP，在利用客戶(hù)數據的同時(shí)，輸出在BI（商業(yè)智能）中的應用。

[??109]提出的MLS和SAE相結合(he)的方法可以??用來(lái)對序列現象中的時(shí)間維進(jìn)行建模，對于異常情況非常有用，也即業(yè)務(wù)日ヽ(′▽?zhuān)?ノ志中的異常檢測能力較高。

[31]設計了一種新的多層特征選擇，它與堆疊式自動(dòng)編碼器(SAE)交互??作用，只檢測數據的關(guān)鍵表示。

[110]使用遞歸神經(jīng)網(wǎng)絡(luò )結構以業(yè)務(wù)流程的方式進(jìn)行預測，其中RNN的輸入是通過(guò)嵌入空間來(lái)建立的，在論文中還給出了精度驗證結果和該方法的可行性驗證結果。

3 強化學(xué)習在高維經(jīng)濟學(xué)問(wèn)題中的應(ying)用

前面介紹的是深度學(xué)習在經(jīng)濟學(xué)領(lǐng)域的應用。對比傳統的深度學(xué)習，深度強化學(xué)習能夠有效處理高??維問(wèn)??題。所以，在一些包含高維動(dòng)態(tài)數據的經(jīng)濟學(xué)問(wèn)題上，深度強化學(xué)習表現更加優(yōu)秀。

由于缺乏處理高維問(wèn)(???)題的能力，傳統強化學(xué)習方法不足以找到最佳策略(╯‵□′)╯。下面是深度強化學(xué)習的最新研??究。

[114]使用深度確定性政策梯度(DDPG)算法作為一種(zhong)替代方案來(lái)探??索動(dòng)態(tài)股票市場(chǎng)中的最優(yōu)策略。算法處理較大的動(dòng)作狀態(tài)空間，兼顧了穩定性，消除了樣本相關(guān)性，提高了數據利用率。

[115]等人設計了一種新的自適應深度確定性強化學(xué)習框架(Adaptive DD??PG)，用于在動(dòng)態(tài)復雜的股票市場(chǎng)中發(fā)現最優(yōu)策略。該模型結合了樂(lè )觀(guān)和悲觀(guān)的Deep RL（optimistic and pessimistic Deep RL）(′_｀)，既依賴(lài)??于負的預測誤差，也(ye)依賴(lài)于正的預測誤差。

[116]為了分析股票決策機制的多種算法，在(zai)深度RL中進(jìn)行了調查研究。他們基于DQN、Double DQN和Dueling DQN三個(gè)經(jīng)典模型的實(shí)驗結果表??明，其中DQN模型可以獲得更好的投資策略。另外，這項研究還應用實(shí)證數據(ju)對模型進(jìn)行了驗證。

[117]專(zhuān)注于使用深度強化學(xué)習實(shí)現證券交易中的自動(dòng)振蕩，其中他們使用遞歸卷積神經(jīng)網(wǎng)絡(luò )(RCNN)方法從經(jīng)濟新聞中預測股票價(jià)值。

2、深度強化學(xué)習下的投資組合管理??

[118]采用了不同的強化學(xué)習方法，例如DDPG方(◎_◎;)法、最近策略?xún)?yōu)化(PPO)方法和PG方法。這些方法能夠獲得與連續行動(dòng)空間中的金融投資組合相關(guān)的策略。他們結合中國資產(chǎn)市場(chǎng)對模型在不同環(huán)境下的表現進(jìn)行了比較，結果表明PG模型在??股票交易中比其他兩種模型更有利(????)。本研究還(╬?益?)提出了一種新穎的對抗(╯°□°)╯性訓練方法，能夠提高訓練效率和平??均回報。

[119]研究設計(′?｀)了無(wú)模型卷積神經(jīng)網(wǎng)絡(luò )(ヽ(′▽?zhuān)?ノmodel-less RNN)，其中ヽ(′ー｀)ノ輸入是來(lái)自加密貨幣交易所的歷史資產(chǎn)價(jià)格，目的是產(chǎn)生一組投資組合權重。

[15]研究通過(guò)充分利用DPG方法來(lái)引入獎勵函數，以?xún)?yōu)??化累積收益。模型包含了獨立評估器集成拓撲結構（ Independent Evaluators topology），在權值分擔方面結合了大的神經(jīng)網(wǎng)絡(luò )集。另外，為防止梯度損壞，還采用了投資組合矢量存儲器(Portfolio Vector(╯‵□′)╯ Memory)。

Yu等人[120]在自動(dòng)交易的意義上設計了一種新的基于模型的深??度強化學(xué)習方案，能夠采取行動(dòng)并做出與全局目標相關(guān)的順序決策。該模型體系結構包括注入預測模塊(IPM)、生成性對抗性數據增強模塊(DAM)和行為克隆模塊(BCM)，能夠用于處理設計的回溯測試(shi)。

在線(xiàn)服務(wù)主要集中于推薦算法，當前的多種推薦方法，如基于內容的協(xié)同過(guò)濾（collaborative filteri(°o°)ng）、因式(shi)分解機器（factorization machines）、多臂老虎機等。但是這些方法大多(duo)局限于用戶(hù)和推薦系統的靜態(tài)交互，并且關(guān)注的是短期獎勵。

采用深度強化學(xué)習方法目前的進(jìn)展??如下：

[121]設計的推(?????)薦算法使用了行動(dòng)者-批評者（actor-critic model）模型(╬?益?)，可以在連續的決策過(guò)程中顯式地獲取動(dòng)態(tài)交互和長(cháng)期回報。

[122]重點(diǎn)研究了實(shí)時(shí)競價(jià)(R(′?｀)TB)在與用戶(hù)行為和競價(jià)策略相關(guān)的復雜隨機環(huán)境下的付費搜索(SS)拍賣(mài)。另外，基于阿里巴巴拍賣(mài)(???)平臺的線(xiàn)上線(xiàn)下(xia)評價(jià)的實(shí)證結果表明了該方法的有效性。

[??123]中提出了一種基于電子商務(wù)平臺的MDP（馬爾科夫鏈決策過(guò)程）框架下的定價(jià)算法。由于能夠有(′?｀*)效地應對動(dòng)態(tài)的市場(chǎng)環(huán)境變化，可以設置與復雜環(huán)ヽ(′ー｀)ノ境相關(guān)聯(lián)的有效獎勵函數。

[124]使用DQN（ deep Q-network）方案進(jìn)行在線(xiàn)新聞推薦，能夠同時(shí)獲得當前和未來(lái)的獎勵。本模型在考慮用戶(hù)活躍度的同時(shí)，還采用Duling Bandit梯度下降法來(lái)提高推薦準確率。

招 聘

AI 科技評論希望能夠招聘 科技編輯/記者 一名

辦公地點(diǎn)：北京/深圳

職務(wù)：以參與學(xué)術(shù)頂會(huì )報道、人物專(zhuān)訪(fǎng)為主

工作內容：

1、參加各┐(′д｀)┌種人工智能學(xué)術(shù)會(huì )議，并做會(huì )議內容報道；

2ヾ(′ω｀)?、采訪(fǎng)人(ren)工智能領(lǐng)域學(xué)者或研發(fā)人員；

3、關(guān)注學(xué)術(shù)領(lǐng)域熱點(diǎn)事件，并及時(shí)跟蹤報道。

要求：

1、熱愛(ài)人工智能學(xué)術(shù)研究?jì)热?，擅長(cháng)與學(xué)者或企業(yè)工程人員打交道；

2、有一定的理工科背景，對人工智能技術(shù)有所了解者更佳；

3、英語(yǔ)能力強（工作內容涉及大量英文資料）；

4、學(xué)習能力強，對人工智能???前沿技術(shù)(′；д；`)有一定的了解，并能夠逐漸形成自己的觀(guān)點(diǎn)。