基于递增偏好 elicitation 方法学习多准则排序中可能非单调偏好的方法
人工智能
2024-09-05 v1
摘要
本文提出了一种基于递增偏好elicitation的方法，用于学习多准则排序(MCS)问题中的可能非单调偏好，使决策制定者能够逐步提供赋值示例偏好信息。具体而言，我们首先构建基于最大边际(max-margin)优化的模型，以在递增偏好elicitation过程的每个迭代中建模可能非单调偏好和不一致的赋值示例偏好信息。利用基于最大边际优化模型的最优目标函数值，我们设计了信息量度量方法和问题选择策略，以在主动学习框架内的每个迭代中确定最具信息量的备选方案。一旦满足终止准则，通过两个优化模型——基于最大边际优化模型和基于复杂性控制优化模型——即可确定非参考备选方案的排序结果。随后，开发了两种基于递增偏好elicitation的算法，用于学习可能非单调偏好，考虑不同的终止准则。最终，我们将所提方法应用于信用评级问题，以阐明详细的实现步骤，并在人工数据集和真实世界数据集上进行计算实验，比较所提问题选择策略与多个基准策略。
引用
@article{arxiv.2409.02760,
title = {An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting},
author = {Zhuolin Li and Zhen Zhang and Witold Pedrycz},
journal= {arXiv preprint arXiv:2409.02760},
year = {2024}
}
备注
37 pages, 22 figures