扩展事件熵势用于人工智能中的不确定性量化与决策

本工作展示了如何将事件熵势（entropic potential of events）——这一衡量离散事件对系统预期未来熵影响的参数——的概念扩展，用于增强人工智能（AI）中的不确定性量化、决策和可解释性。该框架在物理学中的原始表述被 adapted for AI，通过引入以事件为中心的度量，捕捉动作、观察或其他离散事件对未来时段不确定性的影响。形式化了原始和 AI 调整后的事件熵势定义，后者强调条件期望以account for反事实情景。探讨了在政策评估、内在奖励设计、可解释 AI 和异常检测中的应用，突出了该度量在统一和强化智能系统中不确定性建模潜力。概念示例说明了其在强化学习、贝叶斯推断和异常检测中的用途，while practical considerations for computation in complex AI models are discussed. 事件熵势框架提供了一种在 AI 中管理不确定性的、理论上有依据、可解释且通用的方法，连接了热力学、信息论和机器学习的原理。