論文の概要: Multicriteria Group Decision-Making Under Uncertainty Using Interval
Data and Cloud Models
- arxiv url: http://arxiv.org/abs/2012.01569v1
- Date: Tue, 1 Dec 2020 06:34:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 05:50:02.956692
- Title: Multicriteria Group Decision-Making Under Uncertainty Using Interval
Data and Cloud Models
- Title(参考訳): インターバルデータとクラウドモデルを用いた不確かさ下での複数基準群決定-
- Authors: Hadi A. Khorshidi and Uwe Aickelin
- Abstract要約: 本稿では,データを間隔として収集する不確実性の下で,MCGDM(Multicriteria group decision making)アルゴリズムを提案する。
提案したMCGDMアルゴリズムは、データを集約し、基準の最適な重みを決定し、さらに入力を行わずに代替品をランク付けする。
提案アルゴリズムは,サイバーセキュリティ問題のケーススタディに実装され,その実現可能性と有効性を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we propose a multicriteria group decision making (MCGDM)
algorithm under uncertainty where data is collected as intervals. The proposed
MCGDM algorithm aggregates the data, determines the optimal weights for
criteria and ranks alternatives with no further input. The intervals give
flexibility to experts in assessing alternatives against criteria and provide
an opportunity to gain maximum information. We also propose a novel method to
aggregate expert judgements using cloud models. We introduce an experimental
approach to check the validity of the aggregation method. After that, we use
the aggregation method for an MCGDM problem. Here, we find the optimal weights
for each criterion by proposing a bilevel optimisation model. Then, we extend
the technique for order of preference by similarity to ideal solution (TOPSIS)
for data based on cloud models to prioritise alternatives. As a result, the
algorithm can gain information from decision makers with different levels of
uncertainty and examine alternatives with no more information from
decision-makers. The proposed MCGDM algorithm is implemented on a case study of
a cybersecurity problem to illustrate its feasibility and effectiveness. The
results verify the robustness and validity of the proposed MCGDM using
sensitivity analysis and comparison with other existing algorithms.
- Abstract(参考訳): 本研究では,データを間隔として収集する不確実性下でのマルチクリテリア群意思決定(mcgdm)アルゴリズムを提案する。
提案したMCGDMアルゴリズムは、データを集約し、基準の最適な重みを決定し、さらに入力なしで代替品をランク付けする。
インターバルは、基準に対する代替案を評価する専門家に柔軟性を与え、最大情報を得る機会を提供する。
また,クラウドモデルを用いて専門家判断を集約する新しい手法を提案する。
本稿では,アグリゲーション手法の有効性を確認する実験手法を提案する。
その後,MCGDM問題に対してアグリゲーション法を用いる。
ここでは,二値最適化モデルを提案することにより,各基準に対する最適重みを求める。
次に、クラウドモデルに基づくデータに対する理想解(TOPSIS)と類似性による選好順序の決定手法を拡張し、代替案を優先する。
その結果、アルゴリズムは不確実性のレベルが異なる意思決定者から情報を取得し、意思決定者からの情報のない代替案を調べることができる。
提案アルゴリズムは,サイバーセキュリティ問題のケーススタディに実装され,その実現可能性と有効性を示す。
その結果, 感度解析と既存アルゴリズムとの比較により, MCGDMのロバスト性と妥当性を検証した。
関連論文リスト
- A new fuzzy multi-attribute group decision-making method based on TOPSIS
and optimization models [3.697049647195136]
区間値の直観的ファジィ集合における多属性群決定のための新しい手法を提案する。
全ての専門家の個人評価と全体整合性評価の差の和を最小化することにより、専門家の体重を決定するための新しい最適化モデルが確立される。
完全ファジィ多属性群決定アルゴリズムが定式化され、主観的および客観的重み付け法の利点を最大限に活用することができる。
論文 参考訳(メタデータ) (2023-11-27T15:41:30Z) - On the Global Solution of Soft k-Means [159.23423824953412]
本稿では,ソフトk-平均問題の解法を全世界で提案する。
ミニマルボリュームソフトkMeans (MVSkM) と呼ばれる新しいモデルを提案する。
論文 参考訳(メタデータ) (2022-12-07T12:06:55Z) - Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。
本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。
理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文 参考訳(メタデータ) (2022-01-31T20:58:47Z) - A integrating critic-waspas group decision making method under
interval-valued q-rung orthogonal fuzzy enviroment [0.0]
本稿では,重みと属性の重みが未知な多属性群意思決定のための新しいツールを提案する。
本稿では,Yager演算子とCRITIC-WASPAS法に基づいて,時間間隔値の一般化されたファジィ群決定法を提案する。
その利点は、意思決定者がより大きな自由を許容し、意思決定者の重みによる偏見を回避し、正確な評価を得ることにある。
論文 参考訳(メタデータ) (2022-01-04T08:11:28Z) - An Ensemble-based Multi-Criteria Decision Making Method for COVID-19
Cough Classification [2.1915057426589746]
新型コロナウイルスのコウ分類のためのトップパフォーマンス機械学習手法を選択するためのアンサンブルベースのマルチ基準決定法(MCDM)を提案する。
提案手法の検証には,ケンブリッジ,コスワラ,ヴィルフイ,NoCoCoDaの4つの粗いデータセットを用いる。
実験による評価の結果,提案手法は最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2021-10-01T16:19:50Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳(メタデータ) (2021-09-13T18:10:52Z) - Modularity in Reinforcement Learning via Algorithmic Independence in
Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。
我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文 参考訳(メタデータ) (2021-06-28T21:29:13Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-06-22T16:07:02Z) - Data-Driven Robust Optimization using Unsupervised Deep Learning [0.0]
逆問題に対して凸混合整数プログラムとして定式化することにより、トレーニングされたニューラルネットワークをロバストな最適化モデルに統合できることを示す。
このアプローチは、カーネルベースのサポートベクターセットを用いて、同様のアプローチより優れていることが判明した。
論文 参考訳(メタデータ) (2020-11-19T11:06:54Z) - A study of the Multicriteria decision analysis based on the time-series
features and a TOPSIS method proposal for a tensorial approach [1.3750624267664155]
本稿では, 時系列の特徴(依存性, ばらつきなど)に基づいて, 選択肢をランク付けする新しい手法を提案する。
この新しいアプローチでは、データは3次元で構造化され、テキストテンソルのようなより複雑なデータ構造を必要とする。
計算結果から,有意義な意思決定情報を考慮することで,新たな視点から選択肢をランク付けすることが可能であることが示唆された。
論文 参考訳(メタデータ) (2020-10-21T14:37:02Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-29T09:40:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。