一种用于从样本中学习多准则非补偿排序规则的高效 SAT 表述
人工智能
2017-10-30 v1
摘要
多准则决策分析（MCDA）文献提出了若干方法，用于将按多个属性评估的备选方案排序到有序类别中。非补偿排序模型（NCS）依据备选方案与分隔相邻类别的多准则轮廓的比较方式将其指派到类别。已有研究提出了基于学习集学习 NCS 模型参数的方法。基于混合整数线性规划的精确方法能确保最佳还原学习集，但只能处理规模有限的数据集。启发式方法可处理大型学习集，但无法对推断出的模型提供任何保证。本文中，我们提出一种替代性表述来学习 NCS 模型。该基于 SAT 问题的表述保证能找到与学习集完全一致的模型（只要其存在），并且在计算上比现有的精确 MIP 方法高效得多。
引用
@article{arxiv.1710.10098,
title = {An efficient SAT formulation for learning multiple criteria non-compensatory sorting rules from examples},
author = {K. Belahcène and C. Labreuche and N. Maudet and V. Mousseau and W. Ouerdane},
journal= {arXiv preprint arXiv:1710.10098},
year = {2017}
}