From Predictive Algorithms to the Automatic Generation of Anomalies
从预测算法到异常的自动生成AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以彩票选择预测和期望效用理论检验为核心，属于个体选择行为的离散选择研究，故归入离散选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
从预测算法到异常的自动生成
- 研究问题
- 摘要称，研究问题是如何从机器学习算法中提取理论洞见，具体是能否用预测算法自动生成用于检验理论的“异常”案例，并以期望效用理论为例。
- 方法与思路
- 作者提出一套程序：给定一个预测算法和一个理论，自动生成该理论的异常。摘要称以神经网络准确预测彩票选择为基础，生成期望效用理论的异常，并通过激励实验检验被试行为。
- 材料陈述的贡献
- 摘要称，程序能复现期望效用理论已知的异常，并发现新异常；实验中被试在这些算法生成异常上的违背率与阿莱悖论和共同比率效应相近。
- 阅读关注点
- 应核对：算法生成异常的识别逻辑与理论假设；神经网络训练数据与预测目标；已知异常复现的判定标准；新异常是否稳健；实验设计、样本与违背率的度量方式。
- 阅读边界
- 摘要未说明神经网络的数据来源与规模、异常生成的形式化定义、实验样本量与统计推断细节，也未说明结论对其他理论的推广性；仅凭摘要无法判断方法的一般有效性。
原文摘要
How can we extract theoretical insights from machine learning algorithms? We take a familiar lesson: researchers often turn intuition into theoretical insight by constructing “anomalies” — specific examples highlighting hypothesized flaws in a theory, such as the Allais paradox. We develop procedures that replace researchers’ intuitions with predictive algorithms: given a predictive algorithm and a theory, our procedures automatically generate anomalies for that theory. We illustrate our procedures by generating anomalies for expected utility theory. Based on a neural network that accurately predicts lottery choices, we recover known anomalies for expected utility theory and discover novel ones. In incentivized experiments, subjects violate expected utility theory on these algorithmically generated anomalies at rates similar to the Allais paradox and common ratio effect.