論文の概要: Confronting Project Conflicts into Success: a Complex Systems Design Approach to Resolving Stalemates
- arxiv url: http://arxiv.org/abs/2409.10549v1
- Date: Mon, 2 Sep 2024 07:44:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-22 21:22:31.439012
- Title: Confronting Project Conflicts into Success: a Complex Systems Design Approach to Resolving Stalemates
- Title（参考訳）: プロジェクトコンフリクトを成功に導く - ステアメイトを解決するための複雑なシステム設計アプローチ
- Authors: L. G. Teuber, A. R. M. Wolfert,
- Abstract要約: 今日の複雑なプロジェクト開発では、ステークホルダーがしばしば遅すぎる。
純粋に連想的かつアプリオリなデザイン支援アプローチは、システムの現実とステークホルダーの利益の両方を統合する。
最先端のPreferendusは、最適な汎用ソリューションを共同で生成するためにデプロイされる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In today's complex projects development, stakeholders are often involved too late. There is also in many cases a one-sided technical focus that only focuses on the system's behaviour and does not integrate the individual stakeholder preferences. This locks stakeholders into a 'technical' conflict instead of being able to emerge from it 'socially'. Moreover, stakeholders are often involved a-posteriori in a multi-faceted development process which is untransparent, leading to stalemates or even artefacts that nobody ever wants. There is thus a need for a purely associative and a-priori design-supported approach that integrates both system's reality and stakeholder's interests within a joint agreement and technical framework. The state-of-the-art Preferendus, the computer-aided design engine embedded within the proven Open Design Systems (Odesys) methodology, is a neutral tool in confronting complexity into success. The Preferendus is deployed to co-creatively generate a best-fit-for-common-purpose solution for a number of wind farm related degrees of freedom, project constraints and given a number of stakeholder objective functions. Since, the Preferendus design potential for a stalemate depends strongly on stakeholder interest, importance and trust, in this paper an structured stakeholder judgement approach is introduced to transparently arrive at individual stakeholder weights using a choice-based conjoint analysis (CBCA) method. This method also allows for obtaining an initial estimate for the individual stakeholder preference functions. By modelling disputable exogenous factors as endogenous design parameters, it is also shown for which factors the stalemate problem is indeed both technically and socially (un)solvable, while interests and reality are conjoined.
- Abstract（参考訳）: 今日の複雑なプロジェクト開発では、ステークホルダーがしばしば遅すぎる。
また、多くの場合、システムの振る舞いのみに焦点を当て、個々の利害関係者の好みを統合しない、一方的な技術的な焦点がある。
これにより、ステークホルダーは"社会的"から生まれるのではなく、"技術的"衝突に陥る。
さらに、ステークホルダーは多面的な開発プロセスにしばしば関与します。
したがって、システム現実とステークホルダーの利益の両方を共同合意と技術枠組みに統合する純粋に連想的かつアプリオリ的なアプローチが必要である。
最先端のPreferendusは、実証済みのOpen Design Systems(Odesys)方法論に組み込まれたコンピュータ支援設計エンジンであり、成功への複雑さに直面する中立的なツールである。
Preferendusは、風力発電に関連する多くの自由度、プロジェクトの制約、および多くの利害関係者の客観的機能のための、最良の汎用ソリューションを共同で作成するためにデプロイされる。
そこで本研究では, 選択型コンジョイント分析(CBCA)手法を用いて, 個々の利害関係者の重み付けを透過的に行うための構造化された利害関係者判断手法を導入する。
また、個々の利害関係者選好関数の初期推定値を得ることができる。
議論の余地のある外因性要因を内在的デザインパラメータとしてモデル化することにより、どの要因が技術的にも社会的にも(未)解決可能であり、利害と現実が結合しているかを示す。
関連論文リスト
- Agentic LLM Framework for Adaptive Decision Discourse [2.4919169815423743]
本研究では,実世界のエージェント型大規模言語モデル(LLM)フレームワークを紹介する。
従来の意思決定支援ツールとは異なり、このフレームワークは対話、トレードオフ探索、エージェント間の相互作用によって生成される創発的なシナジーを強調している。
その結果、第1次探索がいかに堅牢で公平なレコメンデーションパスを育むかが明らかとなった。
論文 参考訳（メタデータ） (2025-02-16T03:46:37Z) - Exploring near-optimal energy systems with stakeholders: a novel approach for participatory modelling [41.94295877935867]
エネルギーモデリングにおける参加研究は、利害関係者を包括的に関与する機会を提供する。
我々は、ステークホルダーを全体的な方法で組み込むことができる、最適に近いモデリング結果に基づく方法論とフレームワークを提案する。
本稿では,Longyearbyenの北極圏開拓のための方法論を紹介し,参加者がコスト最適から一貫した距離を逸脱する方法について説明する。
論文 参考訳（メタデータ） (2025-01-09T14:43:29Z) - Learning Reward and Policy Jointly from Demonstration and Preference Improves Alignment [58.049113055986375]
我々は、報酬モデルとポリシーをトレーニングするために、AIHF(Alignment with Integrated Human Feedback)と呼ばれる単一ステージアプローチを開発する。
提案した手法は、一般的なアライメントアルゴリズムに容易に還元し、活用できる、効率的なアルゴリズムの集合を認めている。
本研究では,LLMにおけるアライメント問題と,MuJoCoにおけるロボット制御問題を含む広範な実験により,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-06-11T01:20:53Z) - IRatePL2C: Importance Rating-based Approach for Product Lines Collaborative Configuration [0.6091702876917281]
IRatePL2Cは、ステークホルダが割り当てた重要度を初期設定の選択に依存する解決戦略である。
このアプローチを評価するための例を示す。
論文 参考訳（メタデータ） (2024-04-27T11:17:01Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Interactive Evolutionary Multi-Objective Optimization via
Learning-to-Rank [8.421614560290609]
本稿では,関心の解(SOI)を対話的に見つけるために,嗜好に基づくEMOアルゴリズムを設計するためのフレームワークを開発する。
EMOの中核となる考え方は、人間をEMOのループに巻き込むことだ。何回か繰り返すと、DMは数人の現職候補者に対してフィードバックを求めるよう招待される。
このような情報を集めることで、彼女の好みは学習からランクまでニューラルネットワークによって徐々に学習され、次にベースラインEMOアルゴリズムを導出するために応用される。
論文 参考訳（メタデータ） (2022-04-06T06:34:05Z) - Reinforcement Learning for Flexibility Design Problems [77.37213643948108]
フレキシビリティ設計問題に対する強化学習フレームワークを開発した。
実験の結果、RL法は古典的手法よりも優れた解を常に見出すことがわかった。
論文 参考訳（メタデータ） (2021-01-02T02:44:39Z) - End-to-End Learning and Intervention in Games [60.41921763076017]
ゲームにおける学習と介入のための統一的なフレームワークを提供する。
明示的および暗黙的な区別に基づく2つのアプローチを提案する。
分析結果は、実世界のいくつかの問題を用いて検証される。
論文 参考訳（メタデータ） (2020-10-26T18:39:32Z) - What If I Don't Like Any Of The Choices? The Limits of Preference
Elicitation for Participatory Algorithm Design [12.386462516398469]
限られた資源の分配における個人の嗜好満足度を最適化することは、実際には社会的かつ分配的な正義への進歩を阻害する可能性があると論じる。
個人の嗜好は有用な信号であるが、より表現力があり、包括的な形での民主的参加をサポートするよう拡張されるべきである。
論文 参考訳（メタデータ） (2020-07-13T21:58:30Z) - Decentralized Reinforcement Learning: Global Decision-Making via Local
Economic Transactions [80.49176924360499]
我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。
我々は分散強化学習アルゴリズムのクラスを導出する。
我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
論文 参考訳（メタデータ） (2020-07-05T16:41:09Z)
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。