No description available.

No description available.

No description available.

The purpose of this review is to summarize the experiments that have been presented regarding guaranteed Basic Income, performed around the world; to see if a BI might fit into ”the Swedish model”; and what further research would be needed to understand the mechanics of BI. A theory has been used, designed to compare the effects of cash transfer programs irrespective of economic level of the countries. The experiments show many similarities, such as improved school attendance and achievements, improved health, enhanced economic equality, a sense of inclusion and security, and also, where this has been studied, less crime. Where BI has been beneath the level of economic sustenance a growth of working hours including self employment has been noted, whereas in countries with an income high enough to sustain oneself a slight diminished work supply has been reported. The effects shown in the review seem to be well aligned with the visions of the Swedish welfare state, although might not be in alignment with the growing use of “work fare” in Sweden. Further research should focus on more long-lasting experiments and also to find a common ground, on which to perform them to be able to compare results.

In this study, we aim to explore the characteristics of different AI algorithms using the classical Chinese board game xiangqi as the testbed. We did this by utilizing four different build-in AI agents in Ludii: Random, Flat MC, UCT and Minimax, and having them playing against each other in all possible match ups and exploring their play patterns. The result shows that in terms of the most basic play patterns, i.e., the win/loss rate, we can arrive at a skill ranking as follows: Minimax > UCT > Flat MC > Random. When it comes to more specific metrics such as piece frequency and taking out, Minimax also stands out from all the other three AI agents. We believe this study is a good starting point for looking into deeper how these AI agents differ from each other. The study also suggests that just the type of algorithm and how it is implemented can already possibly affect the observed play patterns and for further research exploring mapping between AI and play types it is important to be familiar with the default playing pattern of these AI algorithms before turning them into specific player types.

Nous nous intéressons à la sélection de modèle en apprentissage automatique, sous deux angles différents. La première partie de la thèse concerne les méthodes à noyau relationnel. Les méthodes à noyau permettent en principe de s'affranchir de la représentation des instances, et de combler le fossé entre apprentissage relationnel et apprentissage propositionnel. Cette thèse s'intéresse à la faisabilité de cet objectif dans un cas particulier : les problèmes à instances multiples, qui sont considérés comme un intermédiaire entre les problèmes propositionnels et les problèmes relationnels. Concrètement, nous déterminons sous quelles conditions le noyau-somme, utilisé sur des problèmes à instances multiples, est en mesure de reconstruire le concept-cible. Cette étude suit le schéma standard des études de transition de phase et s'appuie sur un critère nouveau pour caractériser l'efficacité de la propositionnalisation induite par le noyau-somme. La deuxième partie de la thèse porte sur la sélection d'attributs. Une solution pour résoudre les problèmes à instances multiples, tels que présentés en première partie, passe par une propositionnalisation associant un attribut à chaque instance présente dans le problème. Le nombre d'attributs ainsi construits étant gigantesque, il est alors nécessaire de sélectionner un sous-ensemble d'attributs ne contenant que des attributs pertinents. La deuxième partie de la thèse propose donc une nouvelle approche pour la sélection d'attributs. La sélection d'attributs est réécrite comme un problème d'apprentissage par renforcement, conduisant ainsi à une politique de sélection optimale mais non-calculable en un temps raisonnable. Cette politique est approchée en se fondant sur une approche de jeu à un joueur et en utilisant la méthode Monte-Carlo pour les arbres UCT (Upper Confidence bound applied to Trees), qui a été proposée par Kocsis et Szepesvari (2006). L'algorithme FUSE (Feature Uct SElection) étend UCT pour gérer (1) l'horizon fini mais inconnu, et (2) le facteur de branchement élevé de l'arbre de recherche reflétant la taille de l'ensemble d'attributs. Finalement, une fonction de récompense frugale est proposée en tant qu'estimation grossière mais non-biaisée de la pertinence d'un sous-ensemble d'attributs. Une preuve de concept de FUSE est fournie sur des bases de données de référence.