論文の概要: Scenario theory for multi-criteria data-driven decision making

• arxiv url: http://arxiv.org/abs/2604.00553v1
• Date: Wed, 01 Apr 2026 06:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.880957
• Title: Scenario theory for multi-criteria data-driven decision making
• Title（参考訳）: 多基準データ駆動意思決定のためのシナリオ理論
• Authors: Simone Garatti, Lucrezia Manieri, Alessandro Falsone, Algo Carè, Marco C. Campi, Maria Prandini,
• Abstract要約: 本稿では,多基準データ駆動意思決定のための一般的なシナリオ理論を開発する。 中心的な革新は、個々の基準違反に関連するリスクの集団的治療にある。 提案手法は多基準データ駆動決定問題に広く適用される。
• 参考スコア（独自算出の注目度）: 37.58743777054122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The scenario approach provides a powerful data-driven framework for designing solutions under uncertainty with rigorous probabilistic robustness guarantees. Existing theory, however, primarily addresses assessing robustness with respect to a single appropriateness criterion for the solution based on a dataset, whereas many practical applications - including multi-agent decision problems - require the simultaneous consideration of multiple criteria and the assessment of their robustness based on multiple datasets, one per criterion. This paper develops a general scenario theory for multi-criteria data-driven decision making. A central innovation lies in the collective treatment of the risks associated with violations of individual criteria, which yields substantially more accurate robustness certificates than those derived from a naive application of standard results. In turn, this approach enables a sharper quantification of the robustness level with which all criteria are simultaneously satisfied. The proposed framework applies broadly to multi-criteria data-driven decision problems, providing a principled, scalable, and theoretically grounded methodology for design under uncertainty.
• Abstract（参考訳）: シナリオアプローチは、厳密な確率的堅牢性を保証する不確実性の下でソリューションを設計するための強力なデータ駆動フレームワークを提供する。 しかし、既存の理論は、データセットに基づくソリューションの単一適切性基準に対するロバスト性の評価を主に扱う一方で、マルチエージェント決定問題を含む多くの実践的応用では、複数の基準を同時に考慮し、複数のデータセットに基づいてロバスト性を評価する必要がある。 本稿では,多基準データ駆動意思決定のための一般的なシナリオ理論を開発する。 中心的な革新は、個々の基準違反に関連するリスクの集合的処理にある。 このアプローチは、全ての基準が同時に満たされるロバストネスレベルのよりシャープな定量化を可能にする。 提案するフレームワークは,不確実性を考慮した設計の原理的,スケーラブルで理論的に基礎的な方法論として,多条件のデータ駆動決定問題に広く適用されている。

関連論文リスト

• A New Approach for Multicriteria Assessment in the Ranking of Alternatives Using Cardinal and Ordinal Data [0.0]
  2つの仮想ギャップ解析(VGA)モデルを組み合わせた新しいMCA手法を提案する。 線形プログラミングに根ざしたVGAフレームワークは、MCA方法論において重要である。
  論文  参考訳（メタデータ） (2025-07-10T04:00:48Z)
• Constrained Online Decision-Making: A Unified Framework [14.465944215100746]
  本稿では,段階的実現可能性制約による逐次意思決定の一般的な定式化について検討する。 本稿では,既存の制約付き学習問題を抽出する統一的なアルゴリズムフレームワークを提案する。 この結果は、理論と実践の両方において、制約付きシーケンシャルな意思決定のための原則化された基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-11T19:22:04Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
  リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。 そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。 カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
  論文  参考訳（メタデータ） (2024-06-18T09:29:18Z)
• Application of independent component analysis and TOPSIS to deal with dependent criteria in multicriteria decision problems [8.637110868126546]
  本稿では,観測データから独立した潜伏基準のセットを推定することを目的とした新しいアプローチを提案する。 我々のアプローチの中心的な要素は、決定問題をブラインドソース分離問題として定式化することである。 我々は,TOPSISをベースとした代替品のランク付け手法を,潜在基準から検討する。
  論文  参考訳（メタデータ） (2020-02-06T13:51:28Z)

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。