Checking Trustworthiness of Probabilistic Computations in a Typed Natural Deduction System

投稿日: 2025年2月14日 作成者: jarxiv

要約

この論文では、現在のAIアプリケーションのように、確率的計算プロセスの信頼性を推論し、導き出すように設計された、確率的タイプの自然控除計算Cptndを紹介します。
TPTNDの誘導性は、特定のカテゴリ分布から特定の周波数で複雑な出力の$ n $サンプルを抽出するプロセスとして解釈されます。
このような頻度と意図した確率の間の距離に関する仮説テストの形式として、そのような出力に対する信頼を正式にします。
計算の主な利点は、そのような信頼性の概念をチェック可能にすることです。
私たちが推論する用語の計算セマンティクス、次にTPTNDのセマンティクスを提示します。このセマンティクスでは、論理演算子と信頼オペレーターが導入および排除ルールを通じて定義されます。
構造的およびメタテア関連の特性を説明します。特に、どの用語の進化と論理規則アプリケーションの下で確立する能力に焦点を当て、信頼性の概念を保存できます。

要約(オリジナル)

In this paper we present the probabilistic typed natural deduction calculus TPTND, designed to reason about and derive trustworthiness properties of probabilistic computational processes, like those underlying current AI applications. Derivability in TPTND is interpreted as the process of extracting $n$ samples of possibly complex outputs with a certain frequency from a given categorical distribution. We formalize trust for such outputs as a form of hypothesis testing on the distance between such frequency and the intended probability. The main advantage of the calculus is to render such notion of trustworthiness checkable. We present a computational semantics for the terms over which we reason and then the semantics of TPTND, where logical operators as well as a Trust operator are defined through introduction and elimination rules. We illustrate structural and metatheoretical properties, with particular focus on the ability to establish under which term evolutions and logical rules applications the notion of trustworhtiness can be preserved.

arxiv情報

著者 Fabio Aurelio D’Asaro,Francesco Genco,Giuseppe Primiero
発行日 2025-02-13 15:36:31+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LO | Checking Trustworthiness of Probabilistic Computations in a Typed Natural Deduction System はコメントを受け付けていません

A Survey of Reinforcement Learning for Optimization in Automation

投稿日: 2025年2月14日 作成者: jarxiv

要約

Rehnection Learning（RL）は、自動化内で最適化の課題のための重要なツールとなっており、いくつかの分野で大きな進歩をもたらしました。
このレビュー記事では、製造、エネルギーシステム、ロボット工学における役割に特に焦点を当てた、自動化内のRLの現在の景観を調べます。
それは、最新の方法、主要な課題、および各セクター内の研究の今後の研究の道を議論し、複雑な最適化の課題を解決するRLの能力を強調しています。
このペーパーでは、自動化におけるRL駆動型の最適化方法の利点と制約をレビューします。
サンプルの効率とスケーラビリティに関連する問題を含む、RLの最適化で遭遇する一般的な課題を指摘しています。
安全性と堅牢性;
解釈性と信頼性;
転送学習とメタ学習。
現実世界の展開と統合。
さらに、これらの課題をナビゲートするための将来の戦略と将来の研究経路を探求します。
さらに、この調査には、関連する研究論文の包括的なリストが含まれており、このドメインの探索に熱心な学者や開業医にとって不可欠なガイドになっています。

要約(オリジナル)

Reinforcement Learning (RL) has become a critical tool for optimization challenges within automation, leading to significant advancements in several areas. This review article examines the current landscape of RL within automation, with a particular focus on its roles in manufacturing, energy systems, and robotics. It discusses state-of-the-art methods, major challenges, and upcoming avenues of research within each sector, highlighting RL’s capacity to solve intricate optimization challenges. The paper reviews the advantages and constraints of RL-driven optimization methods in automation. It points out prevalent challenges encountered in RL optimization, including issues related to sample efficiency and scalability; safety and robustness; interpretability and trustworthiness; transfer learning and meta-learning; and real-world deployment and integration. It further explores prospective strategies and future research pathways to navigate these challenges. Additionally, the survey includes a comprehensive list of relevant research papers, making it an indispensable guide for scholars and practitioners keen on exploring this domain.

arxiv情報

著者 Ahmad Farooq,Kamran Iqbal
発行日 2025-02-13 15:40:39+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 49M37, 68T05, 90C40, C.4, cs.AI, cs.LG, cs.NE, cs.RO, cs.SY, eess.SY | A Survey of Reinforcement Learning for Optimization in Automation はコメントを受け付けていません

Sable: a Performant, Efficient and Scalable Sequence Model for MARL

投稿日: 2025年2月14日 作成者: jarxiv

要約

マルチエージェント強化学習（MARL）がより大きく複雑な問題の解決に向けて進むにつれて、アルゴリズムが（1）強力なパフォーマンス、（2）メモリ効率、（3）スケーラビリティの重要な特性を示すことがますます重要になります。
この作業では、MARLへのパフォーマンス、メモリ効率的でスケーラブルなシーケンスモデリングアプローチであるSableを紹介します。
セーブルは、保持メカニズムを保持ネットワークに適応させることにより、時間的推論のために長いコンテキストメモリを使用してマルチエージェント観測の計算効率的な処理を実現します。
6つの多様な環境にわたる広範な評価を通じて、Sableが多数の多様なタスクで既存の最先端の方法を大幅に上回ることができることを示します（45人のうち34人がテストされています）。
さらに、Sableはエージェントの数をスケーリングする際にパフォーマンスを維持し、メモリ使用量の線形増加を示しながら、1000以上のエージェントを持つ環境を処理します。
最後に、Sableのパフォーマンスの向上の原因を隔離し、その効率的な計算メモリ使用量を確認するためにアブレーション研究を実施します。

要約(オリジナル)

As multi-agent reinforcement learning (MARL) progresses towards solving larger and more complex problems, it becomes increasingly important that algorithms exhibit the key properties of (1) strong performance, (2) memory efficiency and (3) scalability. In this work, we introduce Sable, a performant, memory efficient and scalable sequence modeling approach to MARL. Sable works by adapting the retention mechanism in Retentive Networks to achieve computationally efficient processing of multi-agent observations with long context memory for temporal reasoning. Through extensive evaluations across six diverse environments, we demonstrate how Sable is able to significantly outperform existing state-of-the-art methods in a large number of diverse tasks (34 out of 45 tested). Furthermore, Sable maintains performance as we scale the number of agents, handling environments with more than a thousand agents while exhibiting a linear increase in memory usage. Finally, we conduct ablation studies to isolate the source of Sable’s performance gains and confirm its efficient computational memory usage.

arxiv情報

著者 Omayma Mahjoub,Sasha Abramowitz,Ruan de Kock,Wiem Khlifi,Simon du Toit,Jemma Daniel,Louay Ben Nessir,Louise Beyers,Claude Formanek,Liam Clark,Arnu Pretorius
発行日 2025-02-13 15:43:25+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, cs.MA | Sable: a Performant, Efficient and Scalable Sequence Model for MARL はコメントを受け付けていません

Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction

投稿日: 2025年2月14日 作成者: jarxiv

要約

結晶構造は、材料の物理的および化学的特性を理解するための基礎を形成します。
生成モデルは、結晶構造予測（CSP）の新しいパラダイムとして浮上していますが、周期性や対称性などの結晶構造の重要な特性を正確にキャプチャすることは、依然として重要な課題です。
このホワイトペーパーでは、結晶構造予測（Transvae-CSP）のためのトランス強化変動自動エンコーダーを提案します。これらは、安定した材料の特徴的な分布空間を学習し、結晶構造の再構築と生成の両方を可能にします。
Transvae-CSPは、適応距離の膨張を既に既に表現と統合して、結晶構造の周期性と対称性を効果的にキャプチャし、エンコーダーは等縁降ろ子製品注意メカニズムに基づいたトランスネットワークです。
Carbon_24、Perov_5、およびMP_20データセットの実験結果は、Transvae-CSPがさまざまなモデリングメトリックの下で構造の再構築および生成タスクの既存の方法を上回り、結晶構造の設計と最適化のための強力なツールを提供することを示しています。

要約(オリジナル)

Crystal structure forms the foundation for understanding the physical and chemical properties of materials. Generative models have emerged as a new paradigm in crystal structure prediction(CSP), however, accurately capturing key characteristics of crystal structures, such as periodicity and symmetry, remains a significant challenge. In this paper, we propose a Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction (TransVAE-CSP), who learns the characteristic distribution space of stable materials, enabling both the reconstruction and generation of crystal structures. TransVAE-CSP integrates adaptive distance expansion with irreducible representation to effectively capture the periodicity and symmetry of crystal structures, and the encoder is a transformer network based on an equivariant dot product attention mechanism. Experimental results on the carbon_24, perov_5, and mp_20 datasets demonstrate that TransVAE-CSP outperforms existing methods in structure reconstruction and generation tasks under various modeling metrics, offering a powerful tool for crystal structure design and optimization.

arxiv情報

著者 Ziyi Chen,Yang Yuan,Siming Zheng,Jialong Guo,Sihan Liang,Yangang Wang,Zongguo Wang
発行日 2025-02-13 15:45:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cond-mat.mtrl-sci, cs.AI | Transformer-Enhanced Variational Autoencoder for Crystal Structure Prediction はコメントを受け付けていません

Dual Formulation for Non-Rectangular Lp Robust Markov Decision Processes

投稿日: 2025年2月14日 作成者: jarxiv

要約

従来の長方形モデルとは異なり、州全体で相互依存をキャプチャする非長方形の不確実性セットを使用して、堅牢なマルコフ決定プロセス（RMDP）を研究します。
非長方形の堅牢なポリシー評価は一般にNPハードですが、近似であっても、構造的シンプルさのためにこれらの複雑さの障壁を回避する$ l_p $ $で縛られた不確実性セットの強力なクラスを特定します。
さらに、このクラスは無限に多くの\ texttt {sa} -Rectangular $ l_p $ boundedセットに分解し、その構造特性を活用して$ l_p $ rmdpsの新しいデュアル定式化を導き出すことができることを示します。
この定式化は、敵の戦略に関する重要な洞察を提供し、非長方形のRMDPの最初の堅牢なポリシー評価アルゴリズムの開発を可能にします。
経験的結果は、私たちのアプローチがブルートフォース法を大幅に上回り、非長方形の堅牢なMDPの将来の調査の有望な基盤を確立することを示しています。

要約(オリジナル)

We study robust Markov decision processes (RMDPs) with non-rectangular uncertainty sets, which capture interdependencies across states unlike traditional rectangular models. While non-rectangular robust policy evaluation is generally NP-hard, even in approximation, we identify a powerful class of $L_p$-bounded uncertainty sets that avoid these complexity barriers due to their structural simplicity. We further show that this class can be decomposed into infinitely many \texttt{sa}-rectangular $L_p$-bounded sets and leverage its structural properties to derive a novel dual formulation for $L_p$ RMDPs. This formulation provides key insights into the adversary’s strategy and enables the development of the first robust policy evaluation algorithms for non-rectangular RMDPs. Empirical results demonstrate that our approach significantly outperforms brute-force methods, establishing a promising foundation for future investigation into non-rectangular robust MDPs.

arxiv情報

著者 Navdeep Kumar,Adarsh Gupta,Maxence Mohamed Elfatihi,Giorgia Ramponi,Kfir Yehuda Levy,Shie Mannor
発行日 2025-02-13 15:55:00+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG | Dual Formulation for Non-Rectangular Lp Robust Markov Decision Processes はコメントを受け付けていません

Variable Stiffness for Robust Locomotion through Reinforcement Learning

投稿日: 2025年2月14日 作成者: jarxiv

要約

補強能力のある移動により、脚のあるロボットは非常に動的な動きを実行できますが、多くの場合、関節の剛性の時間のかかる手動チューニングを伴うことがよくあります。
このホワイトペーパーでは、関節位置とともに可変剛性をアクション空間に統合する新しいコントロールパラダイムを紹介し、一方的な剛性（PJS）、レッグごとの剛性（PLS）、ハイブリッド関節剛性（HJLS）などのグループ化された剛性制御を可能にします。
ルグごとの剛性（PLS）のグループ化を伴う可変剛性ポリシーが、速度追跡とプッシュリカバリの位置ベースのコントロールを上回ることを示します。
対照的に、HJLSはエネルギー効率に優れています。
さらに、私たちの方法は、シムからリアルへの移転により、多様な屋外地形での堅牢な歩行行動を示していますが、ポリシーは平らな床で非常に訓練されています。
私たちのアプローチは、さまざまなメトリックで競争結果を維持しながら、ジョイントごとの剛性の調整を排除することにより、設計を簡素化します。

要約(オリジナル)

Reinforcement-learned locomotion enables legged robots to perform highly dynamic motions but often accompanies time-consuming manual tuning of joint stiffness. This paper introduces a novel control paradigm that integrates variable stiffness into the action space alongside joint positions, enabling grouped stiffness control such as per-joint stiffness (PJS), per-leg stiffness (PLS) and hybrid joint-leg stiffness (HJLS). We show that variable stiffness policies, with grouping in per-leg stiffness (PLS), outperform position-based control in velocity tracking and push recovery. In contrast, HJLS excels in energy efficiency. Furthermore, our method showcases robust walking behaviour on diverse outdoor terrains by sim-to-real transfer, although the policy is sorely trained on a flat floor. Our approach simplifies design by eliminating per-joint stiffness tuning while keeping competitive results with various metrics.

arxiv情報

著者 Dario Spoljaric,Yashuai Yan,Dongheui Lee
発行日 2025-02-13 16:00:46+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.RO | Variable Stiffness for Robust Locomotion through Reinforcement Learning はコメントを受け付けていません

Relational Conformal Prediction for Correlated Time Series

投稿日: 2025年2月14日 作成者: jarxiv

要約

相関シーケンスでの観測を活用することにより、時系列予測における不確実性の定量化の問題に対処します。
グラフ表現を活用するリレーショナルディープラーニング方法は、時空間データと相関時系列からポイント推定値を取得するための最も効果的なツールの1つです。
しかし、そのような予測の不確実性を推定するために関係構造を悪用する問題は、同じ文脈でほとんど見落とされています。
この目的のために、コンフォーマル予測フレームワークと分位回帰に基づいて、新しい分布のないアプローチを提案します。
順番データに対するコンフォーマル予測の最近のアプリケーションにもかかわらず、既存の方法は各ターゲット時系列で独立して動作し、予測間隔を構築する際にそれらの関係を考慮していません。
グラフディープラーニングオペレーターに基づいて、新しいコンフォーマル予測方法を導入することにより、この空白を埋めます。
コンフォーマルリレーショナル予測（Corel）という名前の私たちの方法では、リレーショナル構造（グラフ）が事前と呼ばれることを必要とせず、事前に訓練された時系列予測因子の上に適用できます。
さらに、Corelには、交換不可能なデータと入力時系列の変更を処理するための適応コンポーネントが含まれています。
当社のアプローチは、関連するベンチマークにおける正確なカバレッジとアーカイブの最先端の不確実性の定量化を提供します。

要約(オリジナル)

We address the problem of uncertainty quantification in time series forecasting by exploiting observations at correlated sequences. Relational deep learning methods leveraging graph representations are among the most effective tools for obtaining point estimates from spatiotemporal data and correlated time series. However, the problem of exploiting relational structures to estimate the uncertainty of such predictions has been largely overlooked in the same context. To this end, we propose a novel distribution-free approach based on the conformal prediction framework and quantile regression. Despite the recent applications of conformal prediction to sequential data, existing methods operate independently on each target time series and do not account for relationships among them when constructing the prediction interval. We fill this void by introducing a novel conformal prediction method based on graph deep learning operators. Our method, named Conformal Relational Prediction (CoRel), does not require the relational structure (graph) to be known as a prior and can be applied on top of any pre-trained time series predictor. Additionally, CoRel includes an adaptive component to handle non-exchangeable data and changes in the input time series. Our approach provides accurate coverage and archives state-of-the-art uncertainty quantification in relevant benchmarks.

arxiv情報

著者 Andrea Cini,Alexander Jenkins,Danilo Mandic,Cesare Alippi,Filippo Maria Bianchi
発行日 2025-02-13 16:12:17+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG | Relational Conformal Prediction for Correlated Time Series はコメントを受け付けていません

PenTest++: Elevating Ethical Hacking with AI and Automation

投稿日: 2025年2月14日 作成者: jarxiv

要約

従来の倫理的ハッキングは、熟練した専門家と時間集約的なコマンド管理に依存しており、そのスケーラビリティと効率を制限しています。
これらの課題に対処するために、自動化を生成AI（genai）と統合して倫理的ハッキングワークフローを最適化するAiの高度化システムであるPentest ++を導入します。
制御された仮想環境で開発されたPentest ++は、モジュール式の適応性のある設計を維持しながら、偵察、スキャン、列挙、搾取、ドキュメントなどの重要な浸透テストタスクを合理化します。
このシステムは、自動化と人間の監視のバランスを取り、重要な段階での情報に基づいた意思決定を保証し、効率の向上、スケーラビリティ、適応性などの大きな利点を提供します。
ただし、プライバシーの懸念やAI生成された不正確さ（幻覚）のリスクなど、倫理的な考慮事項も提起します。
この研究では、Pentest ++などのAI駆動型システムの可能性を強調しており、日常的なタスクを自動化することにより、サイバーセキュリティの人間の専門知識を補完し、専門家が戦略的意思決定に集中できるようにします。
堅牢な倫理的保護手段を組み込み、継続的な洗練を促進することにより、Pentest ++は、進化するサイバーセキュリティ環境における運用上および倫理的課題に対処するためにAIを責任を持って利用できる方法を示します。

要約(オリジナル)

Traditional ethical hacking relies on skilled professionals and time-intensive command management, which limits its scalability and efficiency. To address these challenges, we introduce PenTest++, an AI-augmented system that integrates automation with generative AI (GenAI) to optimise ethical hacking workflows. Developed in a controlled virtual environment, PenTest++ streamlines critical penetration testing tasks, including reconnaissance, scanning, enumeration, exploitation, and documentation, while maintaining a modular and adaptable design. The system balances automation with human oversight, ensuring informed decision-making at key stages, and offers significant benefits such as enhanced efficiency, scalability, and adaptability. However, it also raises ethical considerations, including privacy concerns and the risks of AI-generated inaccuracies (hallucinations). This research underscores the potential of AI-driven systems like PenTest++ to complement human expertise in cybersecurity by automating routine tasks, enabling professionals to focus on strategic decision-making. By incorporating robust ethical safeguards and promoting ongoing refinement, PenTest++ demonstrates how AI can be responsibly harnessed to address operational and ethical challenges in the evolving cybersecurity landscape.

arxiv情報

著者 Haitham S. Al-Sinani,Chris J. Mitchell
発行日 2025-02-13 16:46:23+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CR | PenTest++: Elevating Ethical Hacking with AI and Automation はコメントを受け付けていません

Objective quantification of mood states using large language models

投稿日: 2025年2月14日 作成者: jarxiv

要約

感情的な状態は、人間の行動と認知に影響を与え、多様な思考の軌跡につながります。
同様に、大規模な言語モデル（LLMS）は、広範囲のコンテキスト（プロンプト）にわたって優れたレベルの応答の一貫性を示しています。
これらの類似点を活用して、精神状態を定量化するためのフレームワークを確立します。
私たちのアプローチは、共起する反応のパターンに対する固有の感度のために、これらの状態を確実に評価する自己報告アンケートを利用しています。
具体的には、参加者の大規模なサンプル（n = 422）を募集して、LLM（Mistral-7B-Openorca）が、うつ病アンケートに対する参加者の自由回答式回答で測定された抑うつ雰囲気の異種セットをどの程度定量化するかを調査しました。
参加者の自由回答形式の回答を考慮して、保有されている多肢選択式の質問に対するLLMの回答を示し、真のアンケートスコアと強く相関し（r：0.52-0.84）、気分表現からのLLMの一般化を実証します。
これらの表現と因子分析の間のリンクを探ります。
尾根回帰を使用して、LLM隠された状態内にうつ病関連のサブスペースを見つけます。
これらのサブスペースは、参加者の「うつ病」と「体性および感情的苦痛」因子スコア、および自殺の重症度を予測することを示しています。
全体として、LLMは精神状態の定量的尺度を提供できます。
これらのヒンジの信頼性は、参加者にどれほど有益であるかについてのヒンジがあります。
正しく使用されているこのアプローチは、さまざまな設定で精神状態の評価を補う可能性があります。

要約(オリジナル)

Emotional states influence human behaviour and cognition, leading to diverse thought trajectories. Similarly, Large Language Models (LLMs) showcase an excellent level of response consistency across wide-ranging contexts (prompts). We leverage these parallels to establish a framework for quantifying mental states. Our approach utilises self-report questionnaires that reliably assess these states due to their inherent sensitivity to patterns of co-occurring responses. Specifically, we recruited a large sample of participants (N=422) to investigate how well an LLM (Mistral-7B-OpenOrca) quantifies a heterogenous set of depressive mood states measured with participants’ open-ended responses to a depression questionnaire. We show LLM responses to held-out multiple-choice questions, given participants’ open-ended answers, correlate strongly (r: 0.52-0.84) with true questionnaire scores, demonstrating LLM’s generalisation from mood representations. We explore a link between these representations and factor analysis. Using ridge regression, we find depression-related subspaces within LLM hidden states. We show these subspaces to be predictive of participants’ ‘Depression’ and ‘Somatic & Emotional Distress’ factor scores, as well as suicidality severity. Overall, LLMs can provide quantitative measures of mental states. The reliability of these hinges upon how informative the questions we ask participants are. Used correctly, this approach could supplement mental state assessment in a variety of settings.

arxiv情報

著者 Jakub Onysk,Quentin Huys
発行日 2025-02-13 16:52:06+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CL, cs.LG | Objective quantification of mood states using large language models はコメントを受け付けていません

Cracking the Code: Enhancing Development finance understanding with artificial intelligence

投稿日: 2025年2月14日 作成者: jarxiv

要約

開発プロジェクトの分析は、寄付者の支援戦略、受信者の優先順位を理解し、地上の行動によって開発の問題を高めるための開発金融能力を評価するために重要です。
この分野では、経済協力開発機関（OECD）債権報告システム（CRS）データセットは参照データソースです。
このデータセットは、さまざまなセクターからのプロジェクトの物語の膨大なコレクション（約500万プロジェクト）を提供します。
OECD CRSは開発戦略に関する豊富な情報源を提供しますが、ドナーが自己宣言された主要な目的と事前定義された産業部門に基づいた報告プロセスのために、プロジェクトの目的を通知することは不足しています。
この研究では、機械学習（ML）技術、特に自然言語処理（NLP）、Bertopicと呼ばれる革新的なPythonトピックモデリング手法を組み合わせて、物語の説明に基づいて分類（クラスター）、ラベル開発プロジェクトを組み合わせた新しいアプローチを採用しています。
開発金融の既存の隠れたトピックを明らかにすることにより、この人工知能の適用により、ドナーの優先順位と全体的な開発資金をよりよく理解し、公共および民間のプロジェクトの物語を分析する方法を提供します。

要約(オリジナル)

Analyzing development projects is crucial for understanding donors aid strategies, recipients priorities, and to assess development finance capacity to adress development issues by on-the-ground actions. In this area, the Organisation for Economic Co-operation and Developments (OECD) Creditor Reporting System (CRS) dataset is a reference data source. This dataset provides a vast collection of project narratives from various sectors (approximately 5 million projects). While the OECD CRS provides a rich source of information on development strategies, it falls short in informing project purposes due to its reporting process based on donors self-declared main objectives and pre-defined industrial sectors. This research employs a novel approach that combines Machine Learning (ML) techniques, specifically Natural Language Processing (NLP), an innovative Python topic modeling technique called BERTopic, to categorise (cluster) and label development projects based on their narrative descriptions. By revealing existing yet hidden topics of development finance, this application of artificial intelligence enables a better understanding of donor priorities and overall development funding and provides methods to analyse public and private projects narratives.

arxiv情報

著者 Pierre Beaucoral
発行日 2025-02-13 17:01:45+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, econ.GN, q-fin.EC | Cracking the Code: Enhancing Development finance understanding with artificial intelligence はコメントを受け付けていません