- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户5637037的专栏
一种动态风险敏感顺序决策方案
原文标题：A Scheme for Dynamic Risk-Sensitive Sequential Decision Making 摘要：提出了一种动态环境下具有风险敏感目标和约束的序贯决策方案。 将神经网络训练成具有风险敏感约束的参数空间到风险空间和策略映射的逼近器。对于目标和约束是或可以用收益均值和方差函数估计的风险敏感问题，我们生成一个综合数据集作为训练数据。 我们证明：大多数风险度量可以使用收益差异来估计；利用状态增强变换，在风险敏感的情况下，可以求解具有随机报酬的马尔可夫决策过程建模的实际问题；通过数值实验验证了该方案的有效性。
45630发布于 2019-07-17 - 来自专栏数据的力量
星巴克的选址逻辑：用数据决策模型规避风险
在大多数餐企是靠模糊化的直觉来决策时，星巴克已经运用了数学家的功力：通过建模，把各项参数设计进一套决策模型，市调人员将相关数据输入，就能得到较为明确的决策建议。 对于连锁门店，使用GIS和其它的数据密集型服务遵循一个简单的逻辑：数据有助于企业节省开支，同时也防止企业因为在不适宜的地点开设门店而导致的错误决策浪费金钱。
2.4K51发布于 2018-06-20 AI风险管理：从理论到实践的决策指南 | 构建审慎的人工智能风险预防与治理框架
面向深度不确定性的AI灾难风险决策：成本效益平衡点分析框架走向未来人工智能（AI）技术，特别是通用人工智能（AGI）和超级人工智能（ASI）的迅猛发展，正将人类社会带入一个充满无限机遇与潜在风险并存的新时代 当前决策者面临的核心困境是：AI风险的概率和后果都存在着巨大的、甚至可能是无法消除的不确定性。专家们对于p(cat)（AI灾难概率）的估计从0到100%不等，这使得传统的风险管理方法难以适用。 决策者不再需要就AI灾难发生的精确概率达成共识，而是可以共同探讨：在何种风险概率和预防有效性的组合下，一项特定的投资是合理的。 这使得决策从对单一变量的争执，转向对一个二维可能性空间的共同探索。（三） 整合全谱系风险：让高额投资更具合理性应对AI风险的最佳策略，是将整个风险谱系整合考虑。 对于低概率、高影响的灾难性风险，应使用平衡点分析图作为决策工具，在不同观点的碰撞中寻找共识。
60400编辑于 2025-10-15- 来自专栏拓端tecdat
R语言基于决策树的银行信贷风险预警模型
有正必有反，在个人信贷业务规模不断扩大的同时，信贷的违约等风险问题也日益突出，一定程度上制约着我国的信贷市场的健康发展。 违约风险是指债务人由于各种原因不能按时归还贷款债务的风险，对于商业银行来说，违约风险主要是指由于贷款人得还款能力下降或者信用水平降低从而违约。 决策树 决策树（Decision Tree）是用于分类和预测的主要技术，它着眼于从一组无规则的事例推理出决策树表示形式的分类规则，采用自顶向下的递归方式，在决策树的内部节点进行属性值的比较，并根据不同属性判断从该节点向下分支 原因有以下几点：一，申请人实际不违约被判为违约，银行可能不会通过贷款申请，从而不发放贷款，这样银行不会遭受贷款发放出去却收不回来的风险，只是少收部分贷款利息而已。 商业银行要从贷款中获利，就必须加强对于贷款的风险管理，在进行单一评估的同时从大量规律中获取经验，对于人力无法理解的大规模数据，就需相关研究来获取有用的规律，帮助商业银行及其他金融机构做出决策，而决策树对银行及金融机构来说就是一种很好的决策管理方法
1.1K10发布于 2021-06-15 - 来自专栏智慧气象
雷电预警监测系统：高风险领域提供防雷减灾决策支持
雷电预警监测系统：高风险领域提供防雷减灾决策支持【TH-LD1】雷电预警监测系统作为防雷减灾的核心技术手段，通过实时感知、精准预测和智能决策支持，为高风险领域构建了从预警到响应的全链条防护体系。 一、系统技术架构：多源数据融合与智能决策引擎多维度监测网络大气电场监测：部署分布式电场仪，实时捕捉地面电场强度变化，识别雷暴云形成初期特征。 风险热力图生成：结合GIS技术，将雷电风险等级可视化，标识高风险区域及移动路径。阈值动态调整：根据行业特性（如化工品燃点、电力设备耐压值）自定义预警阈值，实现差异化防护。 决策支持平台多级预警机制：设置蓝/黄/橙/红四级预警，匹配不同响应措施（如暂停户外作业、启动防雷装置）。应急预案库：集成行业防雷标准，自动生成处置流程（如人员撤离路线、设备断电顺序）。 二、高风险领域应用场景能源行业风电场：提前30分钟预警雷击风险，触发风机叶片收桨、偏航对风，避免叶片雷击损坏。光伏电站：根据雷电强度自动调整逆变器输出功率，减少电弧火灾风险。
30310编辑于 2025-08-20 - 来自专栏一个会写诗的程序员的博客
战略决策 , 战术决策 与 业务决策
按决策的范围和决策的重要性划分，可以分为战略决策、战术决策、业务决策。 战略决策是解决全局性、长远性、战略性的重大决策问题的决策。 决策的分类 1、按决策范围分为 战略决策、战术决策和业务决策； 2、按决策性质分为程序化决策和非程序化决策； 3、按决策主体分为个人决策和群体决策； 4、按决策问题的可控程度分为确定型决策、不确定型决策和风险型决策 决策问题分类 确定型、非确定型、风险型 决策问题通常分确定型、非确定型、风险型三种。 由于决策问题的性质不同，群体决策与个人决策的差异及决策人个人的风格不同，其决策的时间和决策的方法也不相同。 评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。 战术决策：为了实现战略决策、解决某一问题做出的决策，以战略决策规定的目标为决策标准。 战略决策是关系企业全局和长远发展的重大问题的决策。是非程序化的、带有风险性的决策。
4.2K20发布于 2020-04-01 毫秒级风控决策：基于Go集成天远贷前风险报告接口系统
这里我们重点关注两个对风控决策最致命的子产品：谛听多维报告(DWBG8B4D)和个人司法涉诉查询(FLXG7E8F)。 场景化应用：构建自动化决策流利用上述Go结构体，我们可以轻松编写一个风控决策函数（DecisionEngine）。 若等级为"D"(高风险)，系统应立即拦截并在日志中标记为“高危涉诈”。 场景三：活跃度与沉默号检测(ActivityCheck)在baseInfo中，检查status字段：沉默号/风险号:如果status返回4(沉默号)或5(风险号)，这通常是养号或小号的特征，非真实活跃用户 结语使用Go语言集成贷前风险报告API，能够充分发挥静态语言在处理复杂数据结构时的安全性和性能优势。
15210编辑于 2026-01-04风险规则引擎-RPA 作为自动化依赖业务决策流程的强大工具
RPA 的风险得说的是，光用 RPA 并不能解决所有问题。自动化典型的业务流程并不能提供直通式处理、个性化或真正的数字业务。为了最大化流程自动化的价值，你还得把流程依赖的决策也自动化了。 安全的业务敏捷性：决策管理确保决策可访问分配给业务用户，以便他们可以更改它，并且可以在多个流程之间共享它。决策管理确保决策组件灵活且易于安全更改。 识别决策允许应用 RPA 来自动化流程的其余部分，而不会冒关键业务决策在此过程中被掩盖或丢失的风险。 对决策进行建模：使用 DMN 标准构建的决策模型充当管理实际决策复杂性的蓝图 决策的结构和底层决策逻辑可以使用图形模型和决策表进行管理。DMN 将原本杂乱的分支和嵌套逻辑封装到单个新的决策活动。 使用 RPA 将流程的非决策组成部分整合在一起：根据决策模型的要求，组合每个决策任务所需的数据。决策模型可确保仅包含做出决策所需的数据。
20800编辑于 2025-09-15深度解析天远数据风险决策API：多维度征信数据清洗与价值挖掘
1.构建智能化的贷前风控屏障在金融科技飞速发展的今天，无论是汽车金融、消费分期，还是小额网贷业务，核心痛点永远是风险控制。 本文将深入解析风控决策接口(JRZQ3P01)。这是一款专为信贷业务设计的智能风控辅助工具，它不仅能识别严重逾期、多头借贷等传统风险，还能精准判断用户的贷款类型（如网贷、银行业务）及疑似欺诈行为。 风险状态详情(lastCondition)该对象中的字段值为1代表命中，0代表未命中。 isConsume(消费金融):场景化借贷，通常风险可控。4.应用价值与落地建议在实际的业务架构中，天远风控决策API不仅仅是一个查询接口，更是风控决策引擎的数据基石。 5.总结天远风控决策接口通过标准化的评分体系（A-F）和详尽的风险标签，极大地简化了信贷风控系统的开发复杂度。
25910编辑于 2025-12-02- 来自专栏《C++与 AI：个人经验分享合集》
《人工智能时代：金融投资决策的潜在系统性风险及防范策略》
在当今数字化飞速发展的时代，人工智能（AI）在金融领域的应用日益广泛，特别是在投资决策方面展现出了巨大的潜力。然而，随着其影响力的不断扩大，我们也必须警惕潜在的系统性风险。 其次，模型的过度拟合也是一个不容忽视的风险。当 AI 模型过于适应历史数据，而对新的、未见过的数据表现不佳时，就可能在市场发生变化时做出错误的投资决策。 再者，AI 系统的复杂性和不透明性使得风险难以被准确评估和理解。金融机构和投资者可能难以解释 AI 模型是如何做出决策的，这在出现问题时增加了应对和解决的难度。 使他们了解人工智能在投资决策中的优势和局限性，提高风险意识，避免过度依赖 AI 而忽视了基本的投资原则和风险管理。 总之，人工智能在金融领域的应用为投资决策带来了新的机遇，但我们必须谨慎对待潜在的系统性风险。
59110编辑于 2024-12-09 - 来自专栏图像处理与模式识别研究所
Matlab基于最小错误率和最小风险的贝叶斯决策。
1、点击[命令行窗口] 2、按<Shift+Enter>键 3、点击[命令行窗口] 4、按<Enter>键 5、点击[新建] 6、点击[函数] 7、点击[运行] 8、点击[保存] 9、点击[添加到路径] 10、点击[X] 10、点击[命令行窗口] 11、按<Enter>键 12、点击[命令行窗口] 13、点击[新建] 14、点击[函数] 15、点击[编辑器] 16、点击[运行] 17、点击[保存] 18、点击[X]
83320编辑于 2022-05-28 - 来自专栏从救火到防火：大模型赋能云原生安全
第 5 期：AI × 云原生安全：如何用大模型打造企业级“风险决策引擎”
我们要回答一个问题：大模型能否帮助企业建立“智能风险决策引擎”？答案是：不仅能，而且效果惊人。一、为什么要用AI做风险决策？前四期我们讲了资产画像、讲了决策模型、讲了流程。 为什么风险决策是大模型最适合落地的安全场景？大模型天生适合三件事：模式识别复杂信息归因多维信号融合而风险决策正是：大模型的能力与风险决策天然匹配。 ）四、未来趋势：安全团队将从“工具使用者”升级为“风险运营者”AI带来三件事：安全能力产品化风险决策自动化攻防模拟智能化安全团队的角色正在变成：企业风险运营决策中心。 安全团队最核心的能力是风险决策，即在海量安全信号中，运用业务上下文、威胁情报和治理成本，精准识别、优先处理并自动化缓解真正可能导致业务损失的少数关键风险。 安全的真正职责不是扫描，而是风险决策。第2期（已发布）：介绍核心能力资产画像，演示如何将数百万漏洞压缩成数十个必须修的风险，实现精准打击。
18710编辑于 2026-01-01 - 来自专栏技术圈
经验风险、结构风险、正则项
称为“结构风险”描述的是模型f的某些性质。 ? 是经验风险，描述的是模型与训练数据的契合程度，C用于对二者进行折中。 经验风险 经验风险针对不同的学习模型有不同的计算方法。 结构风险 ? 又被称为正则化项，C被称为正则化常数，Lp范数是常用正则化项。 正则化项主要是在降低经验风险的同时能够降低最小化训练误差的过拟合风险。 L1范数和L2范数正则化都有助于降低过拟合风险，L1范数比L2范数更容易获得稀疏解，求得的解w会有更少的非零分量。
1.2K10发布于 2019-08-21 启信慧眼AI驱动供应链风险决策，助力中国半导体企业安全出海
该方案以“世界风险地图”与“AI风险解读”为双引擎，让风险不仅可见，更可解，助力企业实现从风险预警、风险识别到风险决策的全链路智能闭环。 穿透历史事件与关联信息，AI输出风险决策建议值得一提的是，在本次论坛上，启信慧眼宣布针对风控模块的“AI风险解读”功能正式上线。 该功能通过大模型深度分析风险可能产生的影响，提供可落地的决策建议，帮助企业告别知道有风险，不知怎么办的困境。 以地震风险为例，启信慧眼能够实时推送震中、震级、受影响供应商等关键信息，标出预计影响时长，并结合历史地震数据与专业评估模型，预测对供应链的潜在冲击，给出具体决策建议。 50km内关键供应商开展设备安全评估等决策建议。
16810编辑于 2025-10-15- 来自专栏拓端tecdat
R语言基于决策树的银行信贷风险预警模型|附代码数据
p=2783最近我们被客户要求撰写关于信贷风险预警的研究报告，包括一些图形和统计输出。 违约风险是指债务人由于各种原因不能按时归还贷款债务的风险，对于商业银行来说，违约风险主要是指由于贷款人得还款能力下降或者信用水平降低从而违约。 原因有以下几点：一，申请人实际不违约被判为违约，银行可能不会通过贷款申请，从而不发放贷款，这样银行不会遭受贷款发放出去却收不回来的风险，只是少收部分贷款利息而已。 商业银行要从贷款中获利，就必须加强对于贷款的风险管理，在进行单一评估的同时从大量规律中获取经验，对于人力无法理解的大规模数据，就需相关研究来获取有用的规律，帮助商业银行及其他金融机构做出决策，而决策树对银行及金融机构来说就是一种很好的决策管理方法 ----本文摘选 《 R语言基于决策树的银行信贷风险预警模型 》 ，点击“阅读原文”获取全文完整资料。
85000编辑于 2022-12-22 - 来自专栏从救火到防火：大模型赋能云原生安全
第 3 期：四维风险决策模型：如何比同行更快锁定“真正有危险的漏洞”
二、打造四维风险决策模型很多企业把CVSS当成漏洞优先级体系。但CVSS是“漏洞本身的危险程度”，不是“对你企业的危险程度”。 四维上下文风险模型的落地：风险评分公式为了精准决策，我们需要构建一个四维坐标系，设计一个基于四维上下文风险模型的风险评分公式：Risk=Exploit*Exposure*AssetValue*Path任一维度 我们的决策模型不能依赖人工开会讨论，必须代码化（PolicyasCode）。当漏洞情报出现的那一秒，决策引擎就应该算出风险分值，并自动触发工单或拦截动作。比同行跑得快，你就赢了。 安全的真正职责不是扫描，而是风险决策。第2期（已发布）：介绍核心能力资产画像，演示如何将数百万漏洞压缩成数十个必须修的风险，实现精准打击。 第5期（待发布）：展望未来，讲解AI×云原生安全，即如何用大模型打造企业级的“风险决策引擎”，实现智能防火。
17500编辑于 2025-12-17 - 来自专栏最新最全的大数据技术体系
机器学习(八)经验风险与结构风险
1.11经验风险与结构风险 策略部分： 1.11.1 经验风险 模型f(x)关于训练数据集的平均损失称之为经验风险（emprical risk）或经验损失（empirical loss），记作R(emp ) 期望风险R(emp)是模型关于联合分布的期望损失，经验风险R(emp)是模型关于训练样本集的平均损失。 根据大数定律，当样本容量N趋于无穷时，经验风险R(emp)趋于期望风险R(exp)，所以一个很自然的想法就是利用经验风险估计期望风险。 但是，由于现实中训练样本数目有限甚至很小，所以用经验风险估计期望风险常常不理想，要对经验风险进行一定的矫正，这就是关系到监督学习的两个基本策略：经验风险最小化和结构风险最小化。 1.11.2 经验风险最小化 在损失函数以及训练数据集确定的情况下，经验风险函数式就可以确定，经验风险最小化(emprical risk minimization，EMR)的策略认为，经验风险最小的模型是最优模型
84340编辑于 2023-11-08 决策引擎中的敏捷决策平台
这个循环由军事战略家约翰·博伊德设计，帮助决策者在高风险环境中快速有效地做决策。这个概念在信息丰富、快节奏的环境中特别有用，比如我们数字化的供应链。通过缩短决策周期，企业高管可以打乱竞争对手。 现在是时候缩小差距，为供应链领导者提供敏捷的决策能力了。高管敏捷决策平台的关键属性，以最大限度地提高供应链绩效。高管们面临巨大压力，需要快速做出数据驱动的决策，这些决策会影响整个组织，包括供应链。 所以，现在是时候重新思考如何支持高管决策，以提高供应链绩效。这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它让企业领导者能快速执行决策以优化供应链绩效。 下面，我们会介绍专用于执行层决策的敏捷决策平台的理想属性。这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。 d.快速决策沟通。面向高管的敏捷决策平台也需要促进协作决策。
25610编辑于 2025-09-18敏捷决策
1.新兴技术使企业高管能够快速做出更好的决策 当今的信息技术使决策者能够即时接收数据，从而更快、更高效地做出决策。 这个原则被称为OODA循环，代表观察、判断、决策和行动（见下图）。这个四步连续循环最初由军事战略家约翰·博伊德设计，可帮助决策者在高风险环境中快速有效地制定决策。 这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它使企业领导者能够快速执行决策以优化供应链绩效。下面，我们将介绍专用于执行层决策的敏捷决策平台的理想属性。 这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。a.有针对性的数据收集：专注于及时性和特定决策要求的决策。 d.快速决策沟通。 面向高管的敏捷决策平台也需要促进协作决策。此外，它需要支持在整个供应链和组织内部有效地传递决策。
22100编辑于 2025-07-23- 来自专栏自学气象人
机器学习中的期望风险、经验风险、结构风险是什么？
要区分期望风险、经验风险、结构风险这三个概念，需要先讲一下损失函数L(Y,f(x))的概念。在机器学习中，损失函数主要是用来衡量模型的拟合程度，即表示模型预测值与真实样本值之间的差距。 总结经验风险和期望风险之间的关系： 经验风险是局部的，基于训练集所有样本点损失函数最小化。经验风险是局部最优，是现实的可求的。 期望风险是全局的，基于所有样本点损失函数最小化。 期望风险是全局最优，是理想化的不可求的。 所谓的经验风险最小化，指的是经验风险越小，模型对训练集的拟合程度越好。那么是不是经验风险越小越好呢？ 其实并不是的，因为经验风险越小，越有可能出现过拟合，如下图所示： 三、结构风险 所谓的结构风险指的是，在经验风险的基础上，加一个惩罚项(也叫正则化因子)，从而减少模型出现过拟合的风险。 3、结构风险，是在经验风险的基础上加上惩罚项，目的是为了减少经验风险最小化带来的过拟合的风险。 Ps: 期望（或均值）：是试验中每次可能结果的概率乘以其结果的总和。
4.2K20编辑于 2023-06-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号