This chapter sheds light on the synaptic organization of the brain from the perspective of computational neuroscience. It provides an introductory overview on how to account for empirical data in mathematical models, implement them in software, and perform simulations reflecting experiments. This path is demonstrated with respect to four key aspects of synaptic signaling: the connectivity of brain networks, synaptic transmission, synaptic plasticity, and the heterogeneity across synapses. Each step and aspect of the modeling and simulation workflow comes with its own challenges and pitfalls, which are highlighted and addressed in detail.
translated by 谷歌翻译
由于需要确保安全可靠的人工智能（AI），因此在过去几年中，机器伦理学受到了越来越多的关注。这两种在机器伦理中使用的主要理论是道义和功利主义伦理。另一方面，美德伦理经常被称为另一种伦理理论。尽管这种有趣的方法比流行的道德理论具有一定的优势，但由于其形式化，编纂和解决道德困境以训练良性剂的挑战，工程人工贤惠的媒介几乎没有努力。我们建议通过使用充满道德困境的角色扮演游戏来弥合这一差距。有几种这样的游戏，例如论文，生活很奇怪，主要角色遇到的情况必须通过放弃对他们所珍视的其他东西来选择正确的行动方案。我们从此类游戏中汲取灵感，以展示如何设计系统的角色扮演游戏来发展人造代理中的美德。使用现代的AI技术，例如基于亲和力的强化学习和可解释的AI，我们激励了扮演这种角色扮演游戏的良性代理，以及通过美德道德镜头对他们的决策进行检查。这种代理和环境的发展是朝着实际上正式化和证明美德伦理在伦理代理发展的价值的第一步。
translated by 谷歌翻译
人工智能的扩散越来越依赖于模型理解。理解既需要一种解释 - 关于模型行为的人类推理，又是解释 - 模型功能的象征性表示。尽管必须对安全性，信任和接受的透明度，但最先进的强化学习算法的不透明性掩盖了其学习策略的基础。我们已经开发了一种政策正规化方法，该方法主张了学识渊博的策略的全球固有亲和力。这些亲和力提供了一种关于政策行为的推理手段，从而使其固有地解释。我们已经在个性化的繁荣管理中展示了我们的方法，其中个人的支出行为及时决定了他们的投资策略，即不同的支出人物可能与不同的投资类别有不同的关联。现在，我们通过使用离散的Markov模型重现潜在的原型策略来解释我们的模型。这些全球替代物是原型政策的符号表示。
translated by 谷歌翻译
将强化学习（RL）应用于资产管理的共同目的是利润的最大化。用于学习最佳策略的外部奖励功能通常不会考虑任何其他偏好或约束。我们已经开发了一种正则化方法，该方法可确保策略具有全球固有亲和力，即，不同的个性可能对某些资产可能会随着时间而改变。我们利用这些内在政策亲和力，使我们的RL模型固有地解释。我们演示了如何对RL代理进行培训，以为特定的个性概况编排此类政策，并仍然获得高回报。
translated by 谷歌翻译
产品和服务的个性化正在迅速成为银行和商业成功的驱动力。机器学习具有对客户需求和偏好的更深入了解和量身定制的希望。尽管对财务决策问题的传统解决方案经常依赖于模型假设，但强化学习能够利用大量数据，以改善具有更少假设的复杂财务环境中的客户建模和决策。从监管的角度来看，解释性和可解释性提出了挑战，要求接受透明度；他们还提供了改善对客户的了解和理解的机会。事后方法通常用于解释预贴紧的加固学习模型。基于我们以前对客户支出行为的建模，我们适应了最近的强化学习算法，这些学习算法本质地表征了理想的行为，并且我们过渡到资产管理问题。我们训练固有的可解释的强化学习代理，以提供与原型财务人格特征保持一致的投资建议，这些建议合并为最终建议。我们观察到，受过训练的代理商的建议遵守其预期特征，他们学习复合增长的价值，并且在没有任何明确的参考的情况下，风险的概念以及改善的政策融合。
translated by 谷歌翻译
金融部门客户的微分是一个非琐碎的任务，近期科学文学一直是一项非典型的遗漏。如果传统分割根据人口统计数据等粗略特征对客户进行分类，则微分内容描绘了个体之间的更细致的差异，提出了几个优点，包括改进金融服务中个性化的潜力。 AI和代表学习提供了解决微分段问题的独特机会。虽然在许多行业普遍存在，但金融等敏感产业的AI扩散已经取决于深层模型的解释性。我们之前通过从经常性神经网络（RNN）的状态空间提取了时间特征来解决了微分段问题。但是，由于RNN的固有不透明度，我们的解决方案缺乏解释。在本研究中，我们通过提取我们模型的符号解释并提供对我们的时间特征的解释来解决这个问题。为了解释，我们使用线性回归模型来重建具有高保真度的状态空间中的功能。我们表明我们的线性回归系数不仅了解了用于重新创建功能的规则，而且还学习了在原始数据中直接明显的关系。最后，我们提出了一种新的方法，通过使用逆回归和动态系统来定位和标记一组吸引子来解释状态空间的动态。
translated by 谷歌翻译