論文の概要: TOPSIS-RAD: Ranking According to Desires
- arxiv url: http://arxiv.org/abs/2606.07253v1
- Date: Fri, 05 Jun 2026 13:26:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.753689
- Title: TOPSIS-RAD: Ranking According to Desires
- Title（参考訳）: TOPSIS-RAD:名簿によるランク付け
- Authors: Leonardo Fernandes Costa, Helder Gomes Costa, Diogo Lima, Brunno Rodrigues,
- Abstract要約: TOPSIS-RADには2つのDM定義参照レベルが組み込まれている。
Vetoed Performance Levels (VPL$) は、正常化前の無効な代替品を除外する。
Desired Performance Levels (DPL$) 正規化前のDMの望ましいレベルにおける上限パフォーマンス。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional TOPSIS derives its reference points -- the Positive Ideal Solution ($PIS$) and Negative Ideal Solution ($NIS$) -- from the observed alternative set, making rankings susceptible to misalignment with decision-maker (DM) requirements, sensitivity to outlier performances, and rank reversal. This paper proposes TOPSIS-RAD, which addresses these issues by incorporating two arrays of DM-defined reference levels. Vetoed Performance Levels ($VPL$) exclude non-viable alternatives before normalisation, preventing them from distorting the ranking frontiers. Desired Performance Levels ($DPL$) cap performances at the DM's desired level before normalisation, anchoring the $PIS$ in explicit aspirations rather than dataset extremes. Three toy examples demonstrate each mechanism: $VPL$ reshapes normalisation boundaries by removing a non-viable alternative; fixed $DPL$ frontiers stabilise rankings by limiting the influence of performances well above the desired level. The method preserves the familiar distance-based structure of TOPSIS while grounding the ranking in stable, DM-specified boundaries. Limitations and future research directions are also discussed.
- Abstract（参考訳）: 従来のTOPSISは、その基準点、すなわち、観測された代替案からPositive Ideal Solution (PIS$) と Negative Ideal Solution (NIS$) を導き、意思決定者(DM)の要求の不一致、パフォーマンスの外れへの感受性、ランクの逆転を許容する。
本稿では2つのDM定義参照レベルを組み込んだTOPSIS-RADを提案する。
vetoed Performance Levels(VPL$)は、正常化前の無効な代替品を除外し、ランキングフロンティアの歪曲を防ぐ。
Desired Performance Levels (DPL$) は正規化前のDMの望ましいレベルのパフォーマンスを上限とし、データセットの極端な値ではなく明示的な期待値として$PIS$を固定する。
VPL$ reshapes normalization boundary by remove a non-viable alternative; fixed $DPL$ Frontiers 所望のレベルよりはるかに高いパフォーマンスの影響を制限することでランクを安定化する。
本手法は,TOPSISの近親距離構造を維持しつつ,安定したDM指定境界でランク付けを行う。
制限や今後の研究の方向性についても論じる。
関連論文リスト
- Ratio-Variance Regularized Policy Optimization [64.95520246570446]
ポリシ比の分散を明示的に制約することは、信頼領域の制約に対する原則的な局所近似をもたらすことを示す。
本稿では,この制約を実装したR2bf VPO$(Ratio-Variance Regularized Policy Optimization)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T09:53:42Z) - Escaping the Diversity Trap in Robotic Manipulation via Anchor-Centric Adaptation [50.23374353859762]
多様な単発デモを収集することで「最大限のカバレッジ」を達成できる。
我々は、この現象を包括的-密度トレードオフとして定式化する。
Anchor-Centric Adaptation (ACA) は、2段階のフレームワークで、まずコアアンカーでの繰り返しデモを通じてポリシースケルトンを安定化し、次に教師力によるエラーマイニングと制約付き残差更新を通じて高リスク境界までカバー範囲を広げる。
論文 参考訳（メタデータ） (2026-05-08T07:35:24Z) - Ranking Abuse via Strategic Pairwise Data Perturbations [4.6840536642016195]
逆摂動に対するMLEに基づくランキングシステムの脆弱性について検討する。
合成データと実世界の選挙データセットによる実験結果から,MLEに基づくランキングは急激な位相遷移挙動を示すことが示された。
論文 参考訳（メタデータ） (2026-04-20T04:52:30Z) - Constraint-Aware Generative Auto-bidding via Pareto-Prioritized Regret Optimization [8.514099612407062]
PRO-Bidは2つの相乗的メカニズムに基づく制約対応な自動入札フレームワークである。
最先端のベースラインに比べて、制約満足度や価値獲得に優れています。
論文 参考訳（メタデータ） (2026-02-09T04:41:30Z) - Prune-Then-Plan: Step-Level Calibration for Stable Frontier Exploration in Embodied Question Answering [52.69447404069251]
大規模視覚言語モデル(VLM)は、オープン語彙推論のための強力なセマンティック先行情報を提供することにより、EQAエージェントの改良を行った。
ステップレベルキャリブレーションによる探索を安定化するフレームワークPrune-Then-Planを提案する。
論文 参考訳（メタデータ） (2025-11-24T22:50:50Z) - Generative Bid Shading in Real-Time Bidding Advertising [7.7746704524695485]
本稿では,生成バイドシェーディング(GBS)をエンドツーエンド生成モデルとして紹介する。
これは、段階的に残差報酬モデルを取得することで比率を生成する自己回帰的アプローチを取り入れている。
Meitプラットフォーム上で毎日何十億もの入札リクエストを処理している。
論文 参考訳（メタデータ） (2025-08-06T03:34:49Z) - NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。
提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。
実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-06-11T06:59:17Z) - Off-Policy Evaluation of Ranking Policies via Embedding-Space User Behavior Modeling [0.0]
大規模なランク付け行動空間を有するランキング設定における非政治的評価は、新しいレコメンデーションポリシーを評価する上で不可欠である。
我々は2つの新しい仮定を導入する: ランキングに直接的な影響はなく、ユーザー行動モデルがランキングの埋め込み空間に直接的な影響を与えることはない。
次に,統計的に望ましい特性を持つ一般化された辺化逆確率スコア推定器を提案する。
論文 参考訳（メタデータ） (2025-05-31T07:58:53Z) - Graph-Structured Driven Dual Adaptation for Mitigating Popularity Bias [29.518103753073145]
人気バイアスは、不均一なレコメンデーションパフォーマンスを引き起こし、マシュー効果を増幅することによってレコメンデーションシステムに挑戦する。
既存の教師付きアライメントと再重み付け手法は、このバイアスを軽減するが、重要な制限がある。
これらの問題に対処するためのグラフ構造化デュアル適応フレームワーク(GSDA)を提案する。
論文 参考訳（メタデータ） (2025-03-30T08:26:29Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z)
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。