意图信息透明与互惠意图促进人际信任:来自噪音信任博弈的证据

信任决策是个体在不确定性下作出是否信任他人的风险性社会决策,是人类社会生活的重要组成部分。研究采用噪音信任博弈范式,旨在从互动环境与主体的双视角出发,验证意图信息透明度以及意图类型与决策结果在信任决策中的重要作用。实验1以无噪音条件作为基线,探索意图信息透明度(清晰vs.模糊)对信任决策的影响。结果发现:被试在意图信息模糊条件下的信任水平显著低于无噪音和意图信息清晰条件;实验2探索在意图信息清晰时,意图类型(互惠vs.违背)与决策结果(收益vs.损失)对信任决策的影响。结果发现:不论结果是收益或损失,互惠意图组被试的信任水平都显著高于违背意图组。研究揭示了在人际互动中意图信息透明和互惠意图均是个体作出信任他人决策的重要依据。

基于融合模型与语义网络的App用户意图识别研究

随着手机应用软件的流行,应用市场上出现了大量非结构化的中文用户评论。基于用户评论识别App用户意图,可以帮助开发人员对App软件进行有针对性的维护和改善。为了从中准确识别用户意图,提出一种基于融合模型和语义网络的App用户意图识别方法FSAUIR。使用百度工具Senta判断评论的情感倾向,构建基于RoBERTa的融合意图分类模型RBMS,通过RoBERTa模型将用户评论转化为语义特征表示,并将其输入到双向门控循环单元中,以提取评论的全局上下文语义信息,同时利用多头自注意力机制和SoftPool获取关键的特征信息,保留主要特征,通过Softmax进行归一化处理,得到意图分类结果。在意图分类的基础上,引入PositionRank模型提取各意图类别下评论的关键词,计算关键词之间的共现关系,构建关键词语义网络,从而更细粒度地识别用户意图。实验结果表明,相比BERT、RoBERTa、RoBERTa-CNN等模型,RBMS模型在人工标注数据集上具有较优的分类性能,准确率、精确率、召回率、F1值分别为87.75%、88.09%、87.80%、87.88%。此外,在意图分类的结果集中,FSAUIR构建的语义网络可以高效地挖掘出用户评论中有价值的信息。

基于强化学习的对抗意图识别

未来智能化战争复杂多变,敌我双方往往以对抗博弈情况出现,当我方作为攻击者时,如何有效隐藏我方意图实施有效打击,以及我方作为防御者时如何识别敌方意图实施有效防御,对战争局势的走向起到决定性作用。为把握战争局势,做到“知己知彼,百战不殆”,基于强化学习方法针对对抗意图识别问题提出了解决方案。仿真结果表明,基于强化学习被识别者可以有效地进行意图欺骗,而识别者可以通过意图识别设计方法有效地迫使被识别者暴露意图,从而采取攻防措施。

意图驱动网络服务韧性机制研究

软件定义网络、网络功能虚拟化和意图驱动网络等新技术的出现,促使网络朝着服务化、定制化和智能化等方向快速发展。然而,规模巨大且复杂的网络形态导致网络管理存在失效,同时网络攻击事件频繁发生。因此,提高网络服务韧性,确保网络服务能够持续保障,变得非常重要。意图驱动网络能实现从用户意图到网络韧性策略生成及其下发的全过程的自动部署,为网络有效应对各类挑战提供更加灵活的手段,极大地改善了网络管理效率,并提高了网络服务韧性。基于此,提出一种意图驱动网络服务韧性控制环路架构及其实现架构。首先,通过将信念-愿望-意图推理逻辑引入韧性推理机制,使网络具有预防功能、防御功能、恢复功能以及适应功能,能够在网络攻击发生前期及时地作出响应,并根据具体环境灵活调整韧性策略,以应对突发的网络攻击,持续保障网络服务。最后,以分布式拒绝服务攻击作为用例,验证所述的意图驱动网络服务韧性机制在保障网络服务韧性方面的有效性。

联合多意图识别与语义槽填充的双向交互模型

意图识别与语义槽填充是口语理解的两个主要任务,两者具有高度相关性,通常进行联合训练。随着口语理解任务的深入,研究发现用户在现实场景中的话语往往含有多个意图。但部分联合模型只能识别用户话语中的单个意图,未能充分建模多个意图和语义槽之间的关联性。考虑到话语中多个意图的信息可以引导语义槽填充,语义槽信息也可以帮助意图更好的识别,模型采用图注意力网络建立意图和语义槽之间的双向交互。具体的,将两个任务双向关联以便模型能够挖掘多个意图与语义槽之间的关系,同时引入两个任务的标签信息使模型能够学习到话语上下文和标签的关系,从而提高意图识别与语义槽填充的准确率,优化口语理解的整体性能。实验表明,模型在MixATIS和MixSNIPS两个多意图数据集上对比其他模型性能得到了显著提升。

基于距离损失和决策边界的开放意图检测方法

针对开放意图检测任务中对特征分布处理不足有可能导致所得特征分布不够紧凑的问题,提出一种融合BERT、距离损失、决策边界的开放意图检测方法。首先,通过BERT模型捕获文本间的上下文特征;然后,通过距离损失令样本特征学习更为紧密;最后,进行决策边界学习,实现开放意图检测任务。结果表明,所提方法在公开数据集StackOverflow上具有较好的表现,在2种不同的已知意图比例设置下表现均为最好,准确率达到88.28%和84.43%,F1值达到87.51%和87.40%。研究结果补充了针对边界检测的特征表示再处理方法,可为解决开放意图检测问题提供参考。

意图驱动光网络的冲突解决方法

在意图驱动光网络中,由于同时下发的意图数量突然增多或底层物理资源的限制,部分用户的意图请求无法连接成功,导致意图冲突。提出一种基于强化学习的意图驱动光网络的冲突解决方法,根据强化学习输出的用户意图回退策略,更新用户意图对应的网络需求指标,在保障用户意图都能够成功连接的前提下使当前网络中的平均服务质量(QoS)值最大。实验结果表明,提出的方法可以有效提升当前网络环境中用户的平均QoS值,降低网络阻塞率。

空中目标作战意图识别研究综述

随着战争形式的不断演变和武器装备的更新换代,空中战场态势日益复杂,迅速准确地识别目标作战意图是战场态势评估的一项重要内容,可以为指挥员的决策提供辅助信息,有利于掌握战争主动权。首先介绍了目标意图识别的基本概念及相关模型,界定了目标意图和意图识别的定义概念,从作战指挥决策流程和信息融合流程2个方面确定了目标意图识别的地位和重要性;其次目标特征和意图空间分别作为意图识别的输入属性和识别框架,是意图识别的基础并对此进行了综述;然后综述规则和模板匹配、证据理论、贝叶斯网络、传统机器学习和神经网络等5类常见的目标意图识别方法,介绍了每种识别方法的基本机理和识别过程,总结了其优缺点;最后对比分析了5类目标作战意图识别方法的性能,并对其未来研究方向进行了展望。

结合用户共同意图及社交关系的群组推荐方法

已有的群组推荐模型,在求解用户表示时大多比较单调且仅简单利用用户间的社交关系,使得用户表示不够准确,并且大都未考虑用户共同意图以及社交关系对群组偏好的影响,导致推荐的项目很难符合用户的需求。基于此,提出一种结合用户共同意图及社交关系的群组推荐模型(GR-UCISI)。首先构造用户-项目交互历史与社交关系相结合的用户意图分离模型,利用图神经网络采集每个用户的用户-项目交互以及社交关系信息,求解用户意图和项目表示;其次利用网络游走算法与K-means聚类算法将用户分组,结合用户群组、用户意图以及群组意图聚合过程获取群组共同意图表示;最后根据群组共同意图表示与项目表示得出群组推荐项目列表。该方法充分考虑到用户的个性以及群组成员间的共性对群组偏好的影响,同时结合社交关系缓解数据稀疏性问题,提升模型性能。实验结果表明,与9个对比模型中推荐效果最好的模型相比,在Gowalla数据集上,GR-UCISI的Precision和NDCG指标值分别提高3.01%和5.26%;在Yelp-2018数据集上,GR-UCISI的Precision和NDCG指标值分别提高2.96%和1.12%。

基于自然语言处理的意图驱动网络表征

巨量网络规模、复杂网络结构和低效人工配置等问题需要网络配置自动化和无人化。意图驱动网络可实现去人工的网络自动配置,其中意图表征是关键;然而,现有意图表征范式未能形成统一的标准语法规则。提出了自然语言处理与知识图谱相结合的意图驱动网络表征系统,该系统支持语音、文本等形式的意图输入。所提意图表征方法利用文本检错、纠错和相似度检测技术提升了意图表征的效果,将意图表征结果保存为知识图谱,实现了标准、统一的语法规则,并通过实验验证了该系统的有效性。

基于意图嵌入的社交机器人检测方法

人工智能生成内容技术显著提升了社交机器人的伪装能力,给现有的机器人检测方法带来新的挑战。通过对社交平台用户意图进行建模,提出一种基于意图嵌入的社交机器人检测方法,从而避免直接在行为层面检测伪装能力大幅提升的机器人这一难题。实验结果表明,采用意图嵌入的检测模型相比未使用意图嵌入的模型,社交机器人检测准确率提高了5.58个百分点,并增强了对不同类型社交机器人的识别能力,验证了意图嵌入在提升人机检测任务性能中的有效性。

车辆视角下的行人穿行意图识别与行为预测

预测行人穿行马路的行为一直是智能驾驶汽车研究领域的重点方向,对于行人安全保护至关重要。现有研究通常使用轨迹或姿势对行人的行为进行建模,但是行人行为复杂多变,需对其进行更加深层的语义解读。将行人的穿行意图与行为相结合,设计多任务网络来识别行人意图并预测行人行为。行人的穿行意图会影响其行为,故使用行人未来的行为作为先验来检测行人目前的意图和行为,同时考虑到行人周围的交通目标与自车运动对于行人的影响,设计特征融合模块来融合行人特征与交通目标特征。在自动驾驶数据集(PIE和JAAD)上验证实验模型,结果表明,该模型展现了其在行人意图与行为建模方面的优势。

基于动作条件交互的高效行人过街意图预测

城市化的进程不断加速,人车冲突问题已成为现代社会亟待解决的重大难题。复杂交通场景下,行人横穿马路行为导致交通事故频发,准确、实时地预测行人过街意图对避免人车冲突、提高驾驶安全系数和保障行人安全至关重要。本文提出基于动作条件交互的高效行人过街意图预测框架(efficient action-conditioned interaction pedestrian crossing intention anticipation framework,EAIPF)来预测行人过街意图。EAIPF引入行人动作编码模块增强多模态动作模式下的表征能力,挖掘深层骨架上下文信息。同时,引入场景对象交互模块挖掘与对象交互信息,理解交通场景中高级语义线索。最后,意图预测模块融合行人动作特征和对象交互特征,实现行人过街意图的鲁棒预测。所提出的方法在两个公共数据集JAAD和PIE上验证算法性能,准确率分别达到了89%和90%,表明本文方法可以在复杂交通场景下准确预测行人穿越意图。

意图注意力引导的小样本3D点云目标检测

现有的点云目标检测方法往往要求严苛的监督式数据集,这带来了人力、物力等方面的挑战。因此提出一种创新性的解决方案,即采用元学习框架来克服大量标注数据的困扰。对小样本学习技术在3D点云目标检测中的应用进行研究。这一方法能够基于有限的新类别标注样本,预测未标注样本的分类,从而在有限数据条件下仍能取得良好效果。引入原型投票网络来学习类别的几何原型以及支持集的类别原型。此外,为了学习点云上下文信息,引入意图注意力机制,以实现更加精准的信息融合。在原型生成方面,为避免点云原型过度依赖最大池化而丧失大量信息,采用平均池化方法来生成原型。与基准数据集上的基线模型相比,该方法呈现出显著且一致的提升效果,为点云目标检测领域的研究和应用提供了有力支持。

时序数据图像化:战术意图识别及可移植框架

通过将时序编码为图像,提出了一种结合曲线滤波技术和EfficientNetV2图像识别网络的鲁棒且可移植的战术意图识别框架。曲线滤波技术可以有效地减少大量时域特征、模型参数和训练时间的冗余,基于此,提出了一种改进的格拉姆角场方法将时序编码为图像,提高了卷积神经网络的特征提取能力。EfficientNetV2网络能够有效地处理意图图像,并成为预训练模型,使得在不同系统之间进行迁移学习成为可能。实验结果表明,所提框架相对于机器学习及深度学习等方法提高了0.99%以上的准确率,具有更好的性能、可扩展性、鲁棒性和可迁移性。

基于驾驶员意图采集的车辆状态控制系统分析

驾驶员操作意图是整车状态变化的基础,对整车运行具有重要影响。以驾驶员操作意图为研究的出发点,对驾驶员执行车辆各种操作时,车辆的状态进行分析,主动包括启动自检工况,档位变化、加速、制动、转向等工况;基于分析结果对各工况的控制流程进行分析和设计;提出了实现车辆基本功能的控制模式,并对控制电路进行设计。在此基础上,应用实车调试,对控制系统进行了测试。结果可知:对车辆进行准确控制的前提是对驾驶员意图进行准确的分析采集,控制流程应简洁明了,尽可能减少控制器的执行周期,缩短控制周期;实车测试表明系统能准确的实现驾驶员的操作意图,实现加速、减速、制动等,表明所设计的控制系统的可靠性与准确性,为此类设计提供参考。

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动(AEB)系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值(K-Means)聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。

意图驱动的无人机集群网络:管理架构、关键技术与未来展望

作为空天地一体化网络的重要组成部分,无人机集群已在紧急搜救、攻防对抗、情报侦察与监视等复杂任务中展示出广阔的应用前景。无人系统技术的升级革新和多机协同智能应用的日益丰富对无人机集群网络的信息交互能力提出新的要求。意图驱动网络架构下,无人机集群自主管理网络,简化了网络管理的复杂性。将意图驱动网络引入无人机集群系统,亟须突破智慧自治网络技术,提升智能群体面对高动态性和不确定性环境的适应能力,这为无人机集群的协同操作和智能决策提供了新的视角和方法。围绕意图驱动的无人机集群网络管理架构、关键技术和未来展望展开了深入的分析和讨论,旨在为无人机集群网络的未来发展提供坚实的理论基础和技术参考。

从“适度的实际意图主义”到“适度的反意图主义”——对诺埃尔·卡罗尔的意图主义论辩的批判性思考

在当代西方美学的"意图主义的复兴"中,诺埃尔·卡罗尔所提出的"适度的实际意图主义"构想颇为引人瞩目。"适度的实际意图主义"既是对意图主义的捍卫和对反意图主义的批判,又是在与"极端的意图主义"和"假设的意图主义"的论争中对意图主义加以反思和调整。"适度的实际意图主义"的意图主义论证包含本体论层面的论证与目的或兴趣层面的论证,前者低估了文学艺术与日常生活的差异及其对解释的影响,对日常对话的观点也可商榷,后者将艺术对话视为读者与作者的对话同样是可疑的。不仅如此,"适度的实际意图主义"还包含着一些内在困难,如难以达到其限制解释的目标、文本自主性主张的自我削弱、未能避免陷入独断的危险等。在此基础上,本文提出"适度的反意图主义"的构想并作初步的阐释。相比"适度的实际意图主义","适度的反意图主义"也许能更好地成为有效的艺术解释实践的向导。

基于博弈的干支交汇水域船舶汇入意图识别

文中基于博弈理论和船舶碰撞危险度量方法,构造包含安全收益、时间收益和规则约束的汇入决策收益函数,采用船舶冲突排序运算方法量化确定汇入决策时机,构建干支交汇水域船舶汇入意图识别模型.为精准估计模型权重,以决策收益最大化为下层目标,意图识别误差最小化为上层目标,设计基于双层优化方法的模型参数估计框架.运用长江江苏段实测数据验证了所提模型的有效性.结果表明:本文所提模型的汇入意图识别准确率达到了94.64%.