論文の概要: Generalized-TODIM Method for Multi-criteria Decision Making with Basic
Uncertain Information and its Application
- arxiv url: http://arxiv.org/abs/2104.11597v2
- Date: Tue, 27 Apr 2021 15:28:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 19:47:14.291466
- Title: Generalized-TODIM Method for Multi-criteria Decision Making with Basic
Uncertain Information and its Application
- Title(参考訳): 基本不確かさ情報を用いた多値判定のための一般化TODIM法とその応用
- Authors: Zhiyuan Zhou, Kai Xuan, Zhifu Tao, Ligang Zhou
- Abstract要約: 我々は,観測評価や主観評価の質を反映した基本的な不確かさ情報のための代数演算を開発した。
開発した代数演算と順序関係を適用するために,基本的不確実な情報を用いた多属性決定のための一般化TODIM法を提案する。
- 参考スコア(独自算出の注目度): 2.9822184411723645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the fact that basic uncertain information provides a simple form for
decision information with certainty degree, it has been developed to reflect
the quality of observed or subjective assessments. In order to study the
algebra structure and preference relation of basic uncertain information, we
develop some algebra operations for basic uncertain information. The order
relation of such type of information has also been considered. Finally, to
apply the developed algebra operations and order relations, a generalized TODIM
method for multi-attribute decision making with basic uncertain information is
given. The numerical example shows that the developed decision procedure is
valid.
- Abstract(参考訳): 基本的な不確実な情報が、確実な程度に決定情報の簡単な形式を提供するという事実から、観察や主観的な評価の質を反映するように開発された。
基本不確実情報の代数構造と嗜好関係を研究するために,基本不確実情報の代数演算を開発する。
このような情報の順序関係も検討されている。
最後に,発達した代数演算と順序関係を適用するために,基本的不確実な情報を用いた多属性決定のための一般化TODIM法を提案する。
数値例は, 発達した決定手続きが有効であることを示す。
関連論文リスト
- Rethinking the Uncertainty: A Critical Review and Analysis in the Era of Large Language Models [42.563558441750224]
大規模言語モデル(LLM)は、幅広い人工知能応用の基礎となっている。
現在の手法はしばしば、真の不確実性を特定し、測定し、対処するのに苦労する。
本稿では,不確実性の種類や原因を特定し,理解するための包括的枠組みを提案する。
論文 参考訳(メタデータ) (2024-10-26T15:07:15Z) - Evaluating Mathematical Reasoning Beyond Accuracy [50.09931172314218]
推論ステップの品質を評価するための新しい方法論であるReasonEvalを紹介します。
ReasonEvalはメタ評価データセットのベースライン手法よりも一貫して優れていることを示す。
我々は、ReasonEvalがデータ選択において重要な役割を果たすことを観察する。
論文 参考訳(メタデータ) (2024-04-08T17:18:04Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳(メタデータ) (2024-03-09T13:48:20Z) - On the Role of Information Structure in Reinforcement Learning for Partially-Observable Sequential Teams and Games [55.2480439325792]
逐次的意思決定問題において、情報構造とは、異なる時点に発生するシステム内の事象が相互にどのように影響するかを記述するものである。
対照的に、現実のシーケンシャルな意思決定問題は通常、システム変数の複雑で時間的な相互依存を伴う。
情報構造を明示する新しい強化学習モデルを定式化する。
論文 参考訳(メタデータ) (2024-03-01T21:28:19Z) - Consistent Joint Decision-Making with Heterogeneous Learning Models [26.369155875802807]
本稿では,多様なモデルによる決定間の整合性を促進する新しい意思決定フレームワークを提案する。
我々は、様々なモデルからの予測を、決定の事前確率、信頼性(不確実性)、モデルが期待する精度に関する情報を組み込むことで、グローバルに正規化され、同等の値にマッピングする。
論文 参考訳(メタデータ) (2024-02-06T05:50:04Z) - Preservation of Feature Stability in Machine Learning Under Data Uncertainty for Decision Support in Critical Domains [0.0]
人間の活動における決定は、しばしば重要な領域であっても不完全なデータに依存する。
本稿では,従来の機械学習手法を用いた一連の実験を行うことで,このギャップに対処する。
ML記述法は,データの不完全性が増大するにつれて特徴選択の安定性を確保しつつ,高い分類精度を維持する。
論文 参考訳(メタデータ) (2024-01-19T22:11:54Z) - Bridging the Gap between Decision and Logits in Decision-based Knowledge
Distillation for Pre-trained Language Models [16.115386424278213]
決定分布からロジットを推定する新しい手法を提案する。
本手法は,自然言語理解と機械読解データセットの両面において,強いベースラインを著しく上回っている。
論文 参考訳(メタデータ) (2023-06-15T07:23:44Z) - Explainable Data-Driven Optimization: From Context to Decision and Back
Again [76.84947521482631]
データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。
本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。
在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
論文 参考訳(メタデータ) (2023-01-24T15:25:16Z) - RISE: Robust Individualized Decision Learning with Sensitive Variables [1.5293427903448025]
素直なベースラインは、決定規則を学習する際の繊細な変数を無視し、重大な不確実性と偏見をもたらすことである。
本稿では、オフライントレーニング中に機密変数を組み込む決定学習フレームワークを提案するが、モデル展開中に学習された決定ルールの入力には含まない。
論文 参考訳(メタデータ) (2022-11-12T04:31:38Z) - 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) - Incremental Knowledge Based Question Answering [52.041815783025186]
人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。
具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。
包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
論文 参考訳(メタデータ) (2021-01-18T09:03:38Z)
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。