arXiv cs.AI· Eda Ersek Uyanik·· 10 小时前AI 评分12
多准则分类模型参数引导：NCS 模型直接引导方法研究
Elicitation of the parameters of a multi-criteria sorting model
AI 导读
针对非补偿性分类模型（NCS）的参数引导问题，该博士论文提出了一套严格的直接引导流程，覆盖两类别、无否决的基本版本。对充分准则集，作者将提问算法嫁接于深度优先搜索等图探索算法并做仿真评估；对分界轮廓则采用二分法提问算法，并实现评估了 Hansel 提出的最坏情况最优算法及最多四准则下的平均最优决策树策略。论文还比较了 NCS 与 MR-Sort 的泛化程度。
正文 · AI 翻译
摘要：多准则决策辅助（MCDA）针对选择、排序或分类等不同类型的决策问题提出模型与方法。此类模型涉及多种必须被引出的参数。在引出过程中，所有必要信息都必须从决策者处获取。为此，文献中提出了若干直接与间接的引出方法。在本工作中，我们专注于直接引出：我们旨在为非补偿性排序模型（NCS）的参数提供一套严格的引出程序，该模型已通过公理化分析得到刻画。我们考虑 NCS 模型的一个基本版本，即具有两个类别且无否决权的模型。参数为准则的充分联盟集合以及分隔两个类别的剖面。关于充分联盟，我们提出了若干提问算法，这些算法将问题嫁接到经典图探索算法（如深度优先搜索）之上。此类算法已实现并通过仿真进行评估。为引出极限剖面，我们设计了一种使用二分法的提问算法。提问算法可以在最坏情况下或平均情况下达到最优。Hansel 在单调布尔函数框架下提出了一种最坏情况下的最优算法。我们将该算法作为深度优先搜索方法的一种变体加以实现和评估。关于平均情况下的最优提问策略，我们评估了最多四个准则的决策树。另一方面，我们评估了 NCS 相较于 MR-Sort 的普遍程度，MR-Sort 是 NCS 模型的一个特例，其中充分联盟可由加性权重表示。
| 评论： | 博士论文，答辩于比利时蒙斯大学，2023 年 7 月 7 日。216 页 此 https URL |
| 主题： | 人工智能（cs.AI）；计算机科学与博弈论（cs.GT） |
| MSC 分类： | 90B50（主）91B06、91B08、06A07（次） |
| ACM 分类： | G.2.1；G.2.3；J.4 |
| 引用为： | arXiv:2611.13062 [cs.AI] |
| （或 arXiv:2611.13062v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13062 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Eda Ersek Uyanik [查看电子邮件]
[v1]
2026 年 11 月 9 日星期一 17:49:26 UTC（12,379 KB）
来源：arXiv cs.AI · arxiv.org