論文の概要: Selection of a representative sorting model in a preference disaggregation setting: a review of existing procedures, new proposals, and experimental comparison

• arxiv url: http://arxiv.org/abs/2209.02410v1
• Date: Tue, 30 Aug 2022 02:01:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-11 13:04:17.362712
• Title: Selection of a representative sorting model in a preference disaggregation setting: a review of existing procedures, new proposals, and experimental comparison
• Title（参考訳）: 選好分離設定における代表的ソートモデルの選択--既存手順, 新規提案, および実験的比較の検討
• Authors: Micha{\l} W\'ojcik, Mi{\l}osz Kadzi\'nski, Krzysztof Ciomek
• Abstract要約: 複数の基準のソートという文脈における選好の不合理性について考察する。 間接選好に適合するソートモデルの多重性を考えると、1つの代表モデルを選択すると、異なる方法でソートを行うことができる。 本稿では,厳密な代入規則を実践する3つの新しい手順を提案する。
• 参考スコア（独自算出の注目度）: 4.447467536572626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider preference disaggregation in the context of multiple criteria sorting. The value function parameters and thresholds separating the classes are inferred from the Decision Maker's (DM's) assignment examples. Given the multiplicity of sorting models compatible with indirect preferences, selecting a single, representative one can be conducted differently. We review several procedures for this purpose, aiming to identify the most discriminant, average, central, benevolent, aggressive, parsimonious, or robust models. Also, we present three novel procedures that implement the robust assignment rule in practice. They exploit stochastic acceptabilities and maximize the support given to the resulting assignments by all feasible sorting models. The performance of sixteen procedures is verified on problem instances with different complexities. The results of an experimental study indicate the most efficient procedure in terms of classification accuracy, reproducing the DM's model, and delivering the most robust assignments. These include approaches identifying differently interpreted centers of the feasible polyhedron and robust methods introduced in this paper. Moreover, we discuss how the performance of all procedures is affected by different numbers of classes, criteria, characteristic points, and reference assignments. Finally, we illustrate the use of all approaches in a study concerning the assessment of the green performance of European cities.
• Abstract（参考訳）: 我々は,複数の基準分類の文脈において,選好分離を考える。 クラスを分離する値関数パラメータとしきい値は、意思決定者(dm)の割り当て例から推測される。 間接選好に適合するソートモデルの多重性を考えると、1つの代表モデルを選択することは異なる。 この目的のためにいくつかの手順をレビューし、最も差別的、平均的、中央的、善意的、攻撃的、調停的、強固なモデルを特定することを目的としている。 また,ロバストな代入規則を実践する3つの新しい手順を提案する。 彼らは確率的受容性を活用し、すべての可能なソートモデルによる結果の割り当てに対するサポートを最大化する。 16の手順のパフォーマンスは、複雑さの異なる問題インスタンス上で検証される。 実験の結果,分類精度の面では最も効率的な手法であり,DMのモデルを再現し,最もロバストな課題を達成できた。 これらには、実現可能なポリヘドロンの異なる解釈中心を同定するアプローチと、本論文で導入されたロバストな手法が含まれる。 さらに,すべての手続きの性能がクラス数,基準,特徴点,参照代入によってどのように影響を受けるかについて議論する。 最後に、ヨーロッパの都市におけるグリーンパフォーマンスの評価に関する研究において、すべてのアプローチの利用について述べる。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• A multi-criteria approach for selecting an explanation from the set of counterfactuals produced by an ensemble of explainers [4.239829789304117]
  そこで本研究では,マルチ基準解析に基づいて単一対実数を選択するマルチステージアンサンブル手法を提案する。 提案手法は、検討された品質指標の魅力的な妥協値を持つ、完全に実行可能な対策を生成できる。
  論文  参考訳（メタデータ） (2024-03-20T19:25:11Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Multiple-criteria Based Active Learning with Fixed-size Determinantal Point Processes [43.71112693633952]
  本稿では,情報性,代表性,多様性の3つの相補的基準を取り入れた,複数基準に基づく能動学習アルゴリズムを提案する。 提案手法は,他の複数基準のALアルゴリズムよりも性能が優れ,安定であることを示す。
  論文  参考訳（メタデータ） (2021-07-04T13:22:54Z)
• Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
  我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。 我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
  論文  参考訳（メタデータ） (2020-10-19T19:53:15Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。