Fugu-MT 論文翻訳(概要): Cone Ranking for Multi-Criteria Decision Making

論文の概要: Cone Ranking for Multi-Criteria Decision Making

arxiv url: http://arxiv.org/abs/2312.03006v1
Date: Mon, 4 Dec 2023 11:13:42 GMT
ステータス: 処理完了
システム内更新日: 2023-12-07 17:39:11.205488
Title: Cone Ranking for Multi-Criteria Decision Making
Title（参考訳）: マルチクリトリア意思決定のためのコーンランキング
Authors: Andreas H Hamel and Daniel Kostner
Abstract要約: 近年,統計学から導入されたコーン分布関数を多基準意思決定(MCDM)ツールに変換する。重み付き和のスカラー化を前もって固定する代わりに、一度に重み付き和のスカラー化の集合全体を吸収するので、重み付き和のスカラー化のアップグレードと見なすことができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently introduced cone distribution functions from statistics are turned into multi-criteria decision making (MCDM) tools. It is demonstrated that this procedure can be considered as an upgrade of the weighted sum scalarization insofar as it absorbs a whole collection of weighted sum scalarizations at once instead of fixing a particular one in advance. Moreover, situations are characterized in which different types of rank reversal occur, and it is explained why this might even be useful for analyzing the ranking procedure. A few examples will be discussed and a potential application in machine learning is outlined.
Abstract（参考訳）: 近年,統計学から導入されたコーン分布関数を多基準意思決定(MCDM)ツールに変換する。重み付き和スカラー化を事前に固定するのではなく、重み付き和スカラー化全体のコレクションを一度に吸収するため、この手順は重み付き和スカラー化のアップグレードと考えることができる。また、異なる種類の階級逆転が発生する状況が特徴であり、なぜこれが格付け手順を分析するのに役立つのかが説明される。いくつかの例を議論し、機械学習の潜在的な応用について概説する。

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)
Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
論文参考訳（メタデータ） (2024-03-06T16:31:56Z)
Adaptive Neural Ranking Framework: Toward Maximized Business Goal for Cascade Ranking Systems [33.46891569350896]
カスケードランキングは、オンライン広告とレコメンデーションシステムにおける大規模なトップk選択問題に広く使われている。それまでの学習からランクへの取り組みは、モデルに完全な順序やトップクオーダを学習させることに重点を置いていた。我々はこの手法をアダプティブ・ニューラルランキング・フレームワーク (Adaptive Neural Ranking Framework, ARF) と命名する。
論文参考訳（メタデータ） (2023-10-16T14:43:02Z)
Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。摂動を事前分布関数によるランダム変数として扱う。収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
論文参考訳（メタデータ） (2023-01-21T00:21:11Z)
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)
Learning over No-Preferred and Preferred Sequence of Items for Robust Recommendation (Extended Abstract) [69.50145858681951]
本稿では,暗黙のフィードバックよりも大規模レコメンダシステム(RS)を訓練するための理論的に支持された逐次戦略を提案する。本稿では,モーメント法と勾配法のいずれかを用いてモデルパラメータを更新する手法を提案する。
論文参考訳（メタデータ） (2022-02-26T22:29:43Z)
Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
論文参考訳（メタデータ） (2020-12-12T22:10:15Z)
Covariance-engaged Classification of Sets via Linear Programming [16.11804985840274]
集合分類は、個々の観察を別々に分類するのではなく、一連の観察を全体として分類することを目的としている。ベイズリスクのバウンディングにおいて,集合内の観測回数が重要な役割を担っていることを示す。本枠組みでは,集合分類の新しい手法を提案する。
論文参考訳（メタデータ） (2020-06-26T07:20:15Z)
Random Hypervolume Scalarizations for Provable Multi-Objective Black Box Optimization [8.90548944387431]
本稿では、$f(x)$が競合する可能性のある目的のベクトルを出力する多目的最適化について考察する。証明可能な収束保証を伴う多目的最適化プロセスに、任意の証明可能な収束単目的最適化プロセスが、強制的に変換可能であることを示す。
論文参考訳（メタデータ） (2020-06-08T15:00:30Z)
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。