基于字典序优化的非单调准则多准则排序代表性模型学习方法
人工智能
2024-09-04 v1 机器学习
摘要
从偏好分解的角度出发,基于价值函数的方法推导代表性模型已成为多准则排序(MCS)问题中一个突出且日益增长的研究课题。一个值得注意的观察是,许多现有的 MCS 问题代表性模型学习方法通常假设准则具有单调性,这并不总是与真实世界 MCS 场景的复杂性相符。因此,本文通过整合基于阈值的价值驱动排序过程,提出了一些用于学习具有非单调准则的 MCS 问题代表性模型的方法。为此,我们首先定义一些转换函数,将边际价值和类别阈值映射到一个类似 UTA 的函数空间。随后,我们构建约束集以建模 MCS 问题中的非单调准则,并开发优化模型来检查和纠正决策者赋值示例偏好信息的不一致性。综合考虑模型的复杂性和判别力,我们开发了两种不同的字典序优化方法,用于为具有非单调准则的 MCS 问题推导代表性模型。最后,我们提供了一个说明性示例并进行了全面的模拟实验,以阐述所提出方法的可行性和有效性。
引用
@article{arxiv.2409.01612,
title = {Lexicographic optimization-based approaches to learning a representative model for multi-criteria sorting with non-monotonic criteria},
author = {Zhen Zhang and Zhuolin Li and Wenyu Yu},
journal= {arXiv preprint arXiv:2409.01612},
year = {2024}
}
备注
45 pages, 12 figures