本文基于离散选择建模，针对整体权衡、最大化一致性或不一致性以及促进特定选择等问题，提出了一种优化框架，着重研究了直接更改选择集合对决策者群体偏好的影响，通过限制条件的引入，揭示了不同问题之间的基本边界，为难以解决的问题设计了近似算法，并展示了这些算法在现实世界的应用。

Feb, 2020

本文提出了一个新的 Bayesian 方法，以实现 Mallows rank 模型的有效计算，并推导出该模型下的共识排序，特别是当考虑到部分排序时，也给出了考虑到评估者个体差异的混合模型，同时在推荐系统中对评估者进行类别预测。

May, 2014

本研究通过利用七值逻辑及其派生逻辑的方法，在多准则决策辅助领域中提出了新的优势关系和价值函数偏好模型，有效应对了决策建模中的不确定性、模糊性和性能偏好不确定性等常见挑战，并通过构建七值偏好关系以及使用多个优势关系或价值函数来定义偏好，兼顾了决策制定者的鲁棒性关注，并通过实例分析验证了方法的应用性和有效性。

May, 2024

本文研究多标准决策中的三种谬误以及用基于组成数据分析的解决方法来避免误用统计运算，其中包括优先级汇总、标准差计算和优先级之间距离计算等问题。

Apr, 2023

本文提出了一种在计算机视觉、生物 / 健康信息学及图像和自然语言处理等领域中集合选择问题的求解方法，通过行稀疏的迹最小化问题的凸松弛，找到代表样本集，并赋予目标集合中的每个元素到代表样本的分配，实现集群化，并通过交替方向乘法法（ADMM）框架实现快速优化。实验证明，该算法在场景分类和时间序列建模和分割等问题上都具有优异的性能。

Jul, 2014

本文研究了一种小心的学习方法，用于预测在二进制属性之间选择的偏好和多属性偏好表达式建模的可靠性。我们采取了谨慎的态度，并使用支配关系（dominance relation）来进行预测，使用了多属性效用函数的参数不确定集来规定这种关系。

Jun, 2022

本文提出了一个简单的模型来解决主题不准确的困扰，并通过比较真实数据和合成模拟来证明其价值和优越性。

Apr, 2020

本文就社会选择理论中一种更加表达的机制，利用一些基于基数的查询来解决正序信息不足的问题，并设计了一些新的确定性机制来达到更好的扭曲边界和在许多情况下，优于最好的已知随机正序机制。

Jul, 2019

参与式算法设计越来越普遍，通过收集并汇总利益相关者的个人偏好，可以创建算法系统，考虑到这些利益相关者的价值观。使用算法学生分配作为案例研究，我们认为，在限制资源的分配中优化个人偏好满足可能会抑制社会和分配的公正进展。个人偏好可以是有用的信号，但应该扩展以支持更具表现力和包容性的民主参与形式。

Jul, 2020

基于鲁棒有序方法和不确定性集合的决策模型，学习决策者对子集间偏好的偏好预测方法及评估。

Aug, 2023