An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting

要約

この論文では、多基準ソート (MCS) 問題における潜在的に非単調な選好を学習するための新しい増分選好誘発ベースのアプローチを紹介し、意思決定者が割り当て例の選好情報を段階的に提供できるようにします。
具体的には、最初に最大マージン最適化ベースのモデルを構築し、増分優先度導出プロセスの各反復における潜在的に非単調な優先度と一貫性のない割り当て例の優先度情報をモデル化します。
最大マージン最適化ベースのモデルの最適な目的関数値を使用して、アクティブ ラーニングにおける不確実性サンプリングのフレームワーク内で、各反復で最も有益な代替案を特定するための情報量測定方法と質問選択戦略を考案します。
終了基準が満たされると、非参照代替案のソート結果は、2 つの最適化モデル、つまり最大マージン最適化ベースのモデルと複雑さを制御する最適化モデルを使用して決定できます。
その後、異なる終了基準を考慮して、潜在的に非単調な嗜好を学習するために、2 つの増分嗜好誘発ベースのアルゴリズムが開発されました。
最終的に、提案されたアプローチを信用格付け問題に適用して詳細な実装手順を解明し、人工データセットと現実世界のデータセットの両方で計算実験を実行して、提案された質問選択戦略をいくつかのベンチマーク戦略と比較します。

要約(オリジナル)

This paper introduces a novel incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting (MCS) problems, enabling decision makers to progressively provide assignment example preference information. Specifically, we first construct a max-margin optimization-based model to model potentially non-monotonic preferences and inconsistent assignment example preference information in each iteration of the incremental preference elicitation process. Using the optimal objective function value of the max-margin optimization-based model, we devise information amount measurement methods and question selection strategies to pinpoint the most informative alternative in each iteration within the framework of uncertainty sampling in active learning. Once the termination criterion is satisfied, the sorting result for non-reference alternatives can be determined through the use of two optimization models, i.e., the max-margin optimization-based model and the complexity controlling optimization model. Subsequently, two incremental preference elicitation-based algorithms are developed to learn potentially non-monotonic preferences, considering different termination criteria. Ultimately, we apply the proposed approach to a credit rating problem to elucidate the detailed implementation steps, and perform computational experiments on both artificial and real-world data sets to compare the proposed question selection strategies with several benchmark strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google