論文の概要: Linear Programming for Multi-Criteria Assessment with Cardinal and Ordinal Data: A Pessimistic Virtual Gap Analysis
- arxiv url: http://arxiv.org/abs/2604.09555v1
- Date: Thu, 05 Feb 2026 05:56:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-19 19:09:11.49063
- Title: Linear Programming for Multi-Criteria Assessment with Cardinal and Ordinal Data: A Pessimistic Virtual Gap Analysis
- Title（参考訳）: 心的・順序的データを用いた多領域評価のための線形計画法:悲観的仮想ギャップ解析
- Authors: Fuh-Hwa Franklin Liu, Su-Chuan Shih,
- Abstract要約: マルチ基準分析(Multi-criteria Analysis、MCA)は、様々な基準に基づいて代替品をランク付けするために用いられる。
主観評価と偏見は、しばしば結果の信頼性に影響を与える。
本稿では、2つの新しいVGAモデルを統合し、悲観的な観点からそれぞれの選択肢を評価するための2段階の手法の概要を述べる。
- 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: Multi-criteria Analysis (MCA) is used to rank alternatives based on various criteria. Key MCA methods, such as Multiple Criteria Decision Making (MCDM) methods, estimate parameters for criteria to compute the performance of each alternative. Nonetheless, subjective evaluations and biases frequently influence the reliability of results, while the diversity of data affects the precision of the parameters. The novel linear programming-based Virtual Gap Analysis (VGA) models tackle these issues. This paper outlines a two-step method that integrates two novel VGA models to assess each alternative from a pessimistic perspective, using both quantitative and qualitative criteria, and employing cardinal and ordinal data. Next, prioritize the alternatives to eliminate the least favorable one. The proposed method is dependable and scalable, enabling thorough assessments efficiently and effectively within decision support systems.
- Abstract（参考訳）: マルチ基準分析(Multi-criteria Analysis、MCA)は、様々な基準に基づいて代替品をランク付けするために用いられる。
MCDM (Multiple Criteria Decision Making) 法のような MCA の手法は、それぞれの手法の性能を計算するための基準のパラメータを推定する。
それでも、主観評価や偏見は結果の信頼性に頻繁に影響を与え、データの多様性はパラメータの精度に影響を及ぼす。
線形プログラミングに基づく新しい仮想ギャップ解析(VGA)モデルはこれらの問題に対処する。
本稿では,2つの新しいVGAモデルを統合する2段階の手法について概説する。
次に、選択肢を優先して、最も好ましくないものを排除します。
提案手法は信頼性が高くスケーラブルであり,意思決定支援システム内での徹底的な評価を効果的かつ効果的に行うことができる。
関連論文リスト
- Principled Algorithms for Optimizing Generalized Metrics in Binary Classification [53.604375124674796]
一般化されたメトリクスを最適化するアルゴリズムを導入し、$H$-consistency と finite-sample generalization bounds をサポートする。
提案手法は,メトリクス最適化を一般化したコスト依存学習問題として再検討する。
我々は,理論性能を保証する新しいアルゴリズムMETROを開発した。
論文 参考訳（メタデータ） (2025-12-29T01:33:42Z) - 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) - A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。
最適化に基づく最適化手法であるMERITを導入する。
MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
論文 参考訳（メタデータ） (2025-06-23T19:59:30Z) - 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) - 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) - A Robust Twin Parametric Margin Support Vector Machine for Multiclass Classification [0.0]
本稿では,特徴不確実性を考慮したマルチクラス分類タスクに対処する新しいTPMSVMモデルを提案する。
データ摂動に対処するため、各トレーニング観測の周囲に有界・北不確実性セットを構築し、決定論的モデルのロバストな特徴を導出する。
実世界のデータセットに対する頑健なマルチクラスTPMSVM手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-06-09T19:27:24Z) - Multicriteria Group Decision-Making Under Uncertainty Using Interval
Data and Cloud Models [0.0]
本稿では,データを間隔として収集する不確実性の下で,MCGDM(Multicriteria group decision making)アルゴリズムを提案する。
提案したMCGDMアルゴリズムは、データを集約し、基準の最適な重みを決定し、さらに入力を行わずに代替品をランク付けする。
提案アルゴリズムは,サイバーセキュリティ問題のケーススタディに実装され,その実現可能性と有効性を示す。
論文 参考訳（メタデータ） (2020-12-01T06:34:48Z) - Sparse Methods for Automatic Relevance Determination [0.0]
まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。
次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
論文 参考訳（メタデータ） (2020-05-18T14:08:49Z)
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。