人工智能算法笔记，人工智能算法百度百科

一步步看α-β剪枝算法

1、αβ剪枝算法的核心思想是基于深度优先搜索，通过估算每一步的收益，剪掉那些确定无法带来更大利益的分支。以下是逐步解析αβ剪枝算法的要点：基本假设：在游戏或决策过程中，假定对方会采取最不利于我们的策略。核心思想：当面临选择时，一旦知道一个选项明显优于其他所有选项，则不需要继续探讨那些不如该选项的分支。

2、α-β剪枝算法的流程是基于深度优先搜索，预先设定搜索步数，并能估算每一步的收益。通过递归分析，我们可以剪掉那些确定无法给我们带来更大利益的分支，同时也要考虑对手可能采取的最不利策略，这涉及到上界（你的最大收益）和下界（对手的最小收益）的概念。

3、α-β剪枝算法的关键是剪枝规则。当后辈节点的值小于等于祖先节点的值时，发生α剪枝。当后辈节点的值大于等于祖先节点的值时，发生β剪枝。这意味着，通过比较后辈节点与祖先节点的值，可以提前断定某些分支无法产生最优解，从而避免不必要的计算。

4、αβ剪枝是博弈算法中用于优化决策搜索过程的关键技术，其核心在于引入上下界概念，以减少不必要的搜索。α代表下界，β代表上界。在决策过程中，最大值方（用方块表示）追求最大化目标，而最小值方（用圆表示）则致力于最小化目标。通过设定上下界，算法能够在决策过程中快速排除无效选择，显著提升效率。

人工智能安全笔记(8)人工智能可解释性

1、人工智能安全笔记：人工智能可解释性 可解释性的重要性：提升用户信任度：可解释性像透明的窗口，揭示了AI决策背后的逻辑，增强用户对AI系统的信任。避免误解：通过解释AI的决策过程，可以避免像Clever Hans那样的误解，即看似聪明的表现可能源于非真正理解的因素。

2、简单模型易于解释，但能力有限；复杂模型如神经网络虽然强大，但解释起来却显得捉摸不透。 面对人类认知局限、商业利益、数据异质性和算法复杂性，可解释性面临着严峻挑战。 解释性方法根据其实施时间（Ante-hoc vs POSt-hoc）和范围（Local、Semi-local、Global）被分类。

3、AI 可解释性不仅对于质疑、理解和信任 AI 系统至关重要，还反映了领域知识和社会价值观，帮助科学家和工程师设计、开发和调试模型时更加得心应手。它确保 AI 系统按预期工作，满足高可靠性和安全性要求。在历史上，如“聪明的汉斯”案例揭示了 AI 可解释性的重要性。

4、人工智能安全的可解释性在构建长期安全的AI系统中扮演着至关重要的角色。以下是关于人工智能安全的可解释性的几个关键点：确保系统安全行为的广泛适用性：可解释性能够帮助人们理解AI系统的决策过程和行为逻辑，从而确保这些行为在各种场景下都是安全且符合预期的。

5、人工智能（AI）在现代社会中的应用日益广泛，随之而来的安全性问题也愈发凸显。本文聚焦于AI系统的可解释性在构建长期安全系统中的关键作用，探讨如何通过可解释性确保AI行为的泛化、识别不安全行为的原因，以及在部署前发现潜在的安全问题。

6、人工智能（AI）的可解释性成为了研究热点，因为建立用户信任、理解自动决策成为关键。WIRES DATA MIN KNOWL杂志2020年10月发表的文章《A historical perspective of explainable Artificial Intelligence》以历史视角探讨可解释性。

国科大高级人工智能2022-2023罗平老师授课内容笔记

1、在计算机科学领域，演化计算如遗传算法作为一种自组织、自适应的搜索技术，模仿自然界生物进化过程解决问题。它通过遗传操作（选择、交叉、变异）不断优化解决方案，适应性和多样性是遗传算法的关键特征。综上所述，逻辑是人工智能基石，从数理逻辑到一阶谓词逻辑，再到模糊逻辑，以及演化计算方法，都是为了解决复杂问题、提高算法效率和扩展人工智能的处理能力。