多标准决策结果解释
将最近引入的统计锥体分布函数转化为多准则决策方法,证明此过程可以视为加权求和标量化的升级,可以同时吸收一整套加权求和标量化方法,而不是事先固定一种特定的方法。此外,对不同类型的排名逆转情况进行了表征,并解释了为何这对于分析排名过程可能是有用的。讨论了一些示例,并概述了在机器学习中的潜在应用。
Dec, 2023
该研究提出了基于概率解释的多准则决策制定中不同任务的贝叶斯框架,通过灵活的建模方法来解决群体决策问题和准则相关性等多方面的挑战,并可以适应决策者偏好的不确定性的不同形式。实验结果表明所提出的方法在多个数值示例中的效果并验证了其与其他方法相比的优势。
Aug, 2022
设计了一个决策支持系统(DSS),包括排名和过滤系统,用于多个无人机任务规划场景,并比较了多个模糊多准则决策方法,结果表明,模糊方法通常具有更好的平均分数,并且当操作员偏好一个特定变量时,所有测试方法表现得更好,而在偏好平衡时表现较差。对于过滤系统,设计了一种基于解的相似性的相似函数,并根据经验确定了一个阈值,用于在不丢失解空间的大部分超体积的情况下决定如何过滤解。
Feb, 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
本文提出了多维概念发现(MCD)作为一种基于输入空间的概念表征方法,其通过提出稀疏子空间聚类来发现改进的概念,并完全利用多维子空间的潜力,该方法给出了两个互补的分析工具来解释模型推理,为概念基础的 XAI 提供了更加可靠的基础。
Jan, 2023
本文研究了产生于复杂模型后期的线性解释或与上下文解释网络 (CENs) 一起产生的线性解释。研究主要聚焦于线性解释是否一直是始终如一的或容易引导,同时研究在将其整合到预测过程中时,解释是否会影响模型程序的表现。我们的分析揭示了不同方法产生的解释的某些属性,并建议共同预测和解释的学习模型经常具有优势。
Jan, 2018
描述了一种有应用广泛的模型评估方法,能够根据核心科学原理和更实用的结果评估人工智能 / 机器学习模型。该方法通过心理学和决策科学的预测竞赛产生,对各种类型和结构的候选模型进行了多个科学、理论和实际标准的综合评估,使用计算社会选择领域的投票规则进行标准分数的排序评估,可以对不同测量和模型类型进行整体评价。还讨论了其他优势和应用。
Mar, 2024
本文系统审查了建议系统中的解释问题,探究了其目的、生成方式、呈现方式和评估方式,并提出了一个全面的分类法,其中包括解释目标、响应性、内容和呈现等方面,同时还识别了许多未解决的挑战。
Jun, 2020
该论文介绍了一种名为 WMSD-space 的新方法,它可以将 TOPSIS 和类似的基于距离的汇总方法成功地描绘在平面上并解释,即使是在具有加权标准的情况下。
Jun, 2023