論文の概要: Utility Inspired Generalizations of TOPSIS

• arxiv url: http://arxiv.org/abs/2504.08014v1
• Date: Thu, 10 Apr 2025 10:17:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:19:09.297862
• Title: Utility Inspired Generalizations of TOPSIS
• Title（参考訳）: TOPSISの実用性にインスパイアされた一般化
• Authors: Robert Susmaga, Izabela Szczech,
• Abstract要約: 重み付き手段(WM)と重み付き標準偏差(WSD)に応答するTOPSISアグリゲーションを提案する。 修正は標準TOPSIS法の自然な一般化を構成する。
• 参考スコア（独自算出の注目度）: 1.2430809884830318
• License:
• Abstract: TOPSIS, a popular method for ranking alternatives is based on aggregated distances to ideal and anti-ideal points. As such, it was considered to be essentially different from widely popular and acknowledged `utility-based methods', which build rankings from weight-averaged utility values. Nonetheless, TOPSIS has recently been shown to be a natural generalization of these `utility-based methods' on the grounds that the distances it uses can be decomposed into so called weight-scaled means (WM) and weight-scaled standard deviations (WSD) of utilities. However, the influence that these two components exert on the final ranking cannot be in any way influenced in the standard TOPSIS. This is why, building on our previous results, in this paper we put forward modifications that make TOPSIS aggregations responsive to WM and WSD, achieving some amount of well interpretable control over how the rankings are influenced by WM and WSD. The modifications constitute a natural generalization of the standard TOPSIS method because, thanks to them, the generalized TOPSIS may turn into the original TOPSIS or, otherwise, following the decision maker's preferences, may trade off WM for WSD or WSD for WM. In the latter case, TOPSIS gradually reduces to a regular `utility-based method'. All in all, we believe that the proposed generalizations constitute an interesting practical tool for influencing the ranking by controlled application of a new form of decision maker's preferences.
• Abstract（参考訳）: TOPSISは、理想的および反理想的点への集約された距離に基づいて、代替品をランク付けする一般的な方法である。 そのため、重み付けの効用値からランク付けする「効用に基づく方法」と基本的には異なっていた。 それにもかかわらず、TOPSISは、その距離を、重量スケール手段(WM)や重量スケール標準偏差(WSD)と呼ばれるユーティリティに分解できるという理由から、これらの「実用性に基づく方法」の自然な一般化であることが最近示されている。 しかし、これら2つの要素が最終ランクに与える影響は、標準のTOPSISに影響を与えない。 そこで本論文では,従来の結果に基づいて,TOPSISアグリゲーションをWMとWSDに応答させ,ランク付けがWMとWSDにどのように影響するかをある程度よく解釈可能な制御を実現するための修正を行った。 この修正は標準のTOPSIS法を自然に一般化したもので、このため、一般化されたTOPSISは元のTOPSISに変わるか、あるいは意思決定者の好みに従ってWMをWSDまたはWSDからWMに切り離すことができる。 後者の場合、TOPSISは徐々に通常の「ユーティリティベースの方法」に還元される。 全体として、提案する一般化は、新しい意思決定者の好みを制御してランキングに影響を及ぼす興味深い実践ツールであると考えている。

関連論文リスト

• Federated Fine-Tuning of Large Language Models: Kahneman-Tversky vs. Direct Preference Optimization [49.88778604259453]
  我々は,大言語モデル (LLM) をフェデレート学習 (FL) 設定で微調整する方法として,KTO (Kahneman-Tversky Optimization) を評価した。 オリジナルの(KTOO)と再配布された(KTOR)構成の両方において、KTOはすべてのベンチマークで一貫してDPOを上回っている。 これらの知見は、KTOをFLの堅牢でスケーラブルな微調整方法として確立し、プライバシー保護、分散化、異種環境への採用を動機付けている。
  論文  参考訳（メタデータ） (2025-02-20T01:44:21Z)
• Addressing Popularity Bias in Third-Party Library Recommendations Using LLMs [6.106023882846559]
  本稿では,サードパーティライブラリ(TPL)の推薦システムにおける人気バイアスに対処する大規模言語モデルの能力について検討する。 我々は,最新技術を用いたアブレーション研究を行い,微調整や人気ペナルティのメカニズムを含む,人気バイアスを軽減する。 提案するレコメンデーションの多様性の向上には,微調整・後処理のペナルティ機構が寄与するにもかかわらず,提案するレコメンデーションの人気バイアスには対処できないことが明らかとなった。
  論文  参考訳（メタデータ） (2025-01-17T17:35:14Z)
• Effective Off-Policy Evaluation and Learning in Contextual Combinatorial Bandits [15.916834591090009]
  文脈的包帯における非政治評価と学習について検討する。 この設定はレコメンデーターシステムやヘルスケアといった分野で広く使われている。 因子化された作用空間の概念を導入し、各サブセットをバイナリインジケータに分解する。
  論文  参考訳（メタデータ） (2024-08-20T21:25:04Z)
• Last-Iterate Global Convergence of Policy Gradients for Constrained Reinforcement Learning [62.81324245896717]
  我々はC-PGと呼ばれる探索非依存のアルゴリズムを導入し、このアルゴリズムは(弱)勾配支配仮定の下でのグローバルな最終点収束を保証する。 制約付き制御問題に対して,我々のアルゴリズムを数値的に検証し,それらを最先端のベースラインと比較する。
  論文  参考訳（メタデータ） (2024-07-15T14:54:57Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• STAT: Towards Generalizable Temporal Action Localization [56.634561073746056]
  WTAL(Wakly-supervised temporal action Localization)は、ビデオレベルのラベルだけでアクションインスタンスを認識およびローカライズすることを目的としている。 既存の手法は、異なる分布に転送する際の重大な性能劣化に悩まされる。 本稿では,アクションローカライズ手法の一般化性向上に焦点を当てたGTALを提案する。
  論文  参考訳（メタデータ） (2024-04-20T07:56:21Z)
• Towards Explainable TOPSIS: Visual Insights into the Effects of Weights and Aggregations on Rankings [2.2489531925874013]
  We generalize the concept of MSD-space to weighted criteria by introduced the concept of WMSD-space。 我々は,TOPSISと類似の距離ベースアグリゲーション手法が平面上でうまく説明できることを実証した。 提案するWMSD空間は,現実世界の意思決定問題においてTOPSISランキングを説明するための実用的な方法を提供する。
  論文  参考訳（メタデータ） (2023-06-13T11:49:44Z)
• Global Weighted Tensor Nuclear Norm for Tensor Robust Principal Component Analysis [25.848106663205865]
  本稿では,新しいグローバル重み付きTRPCA法(GWTRPCA)を提案する。 これはフーリエ領域における前頭間スライスと前頭間スライス特異値の重要性を同時に考慮した最初のアプローチである。 このグローバルな情報をエクスプロイトすることで、GWTRPCAはより大きな特異値のペナルティを減らし、より小さな重みを割り当てる。
  論文  参考訳（メタデータ） (2022-09-28T13:27:10Z)
• TFPose: Direct Human Pose Estimation with Transformers [83.03424247905869]
  ポーズ推定タスクを変換器で効果的に解くことができるシーケンス予測問題に定式化します。 我々のフレームワークは単純で直接的であり、ヒートマップに基づくポーズ推定の欠点を回避している。 MS-COCOおよびMPIIデータセットの実験は、この手法が回帰ベースのポーズ推定の最先端を大幅に改善できることを示しています。
  論文  参考訳（メタデータ） (2021-03-29T04:18:54Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)
• IsoBN: Fine-Tuning BERT with Isotropic Batch Normalization [41.267328947683936]
  微調整事前学習言語モデル(PTLM)は、自然言語理解(NLU)タスクのパフォーマンス向上のための一般的なプラクティスである。 最近の表現学習の進歩は、等方的埋め込みは、より高速な収束とより優れた一般化で下流タスクの性能を著しく向上させることができることを示している。 PTLMにおける事前学習した埋め込みの等方性は, 可視化により解析し, 標準偏差の高分散と, 寸法間の高相関の2つの主要な問題点を指摘した。
  論文  参考訳（メタデータ） (2020-05-02T11:49:09Z)

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。