Multiple Criteria Decision Analysis methods inspired by other sub-disciplines of artificial intelligence
[ 1 ] Instytut Informatyki, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska | [ P ] pracownik
[ 1 ] Instytut Informatyki, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska | [ P ] pracownik
PL Metody wielokryteriowego wspomagania decyzji inspirowane innymi poddyscyplinami sztucznej inteligencji
angielski
- multiple criteria decision aiding
- deep learning
- preference learning
- graph based algorithms
- non-monotonic value functions
- wielokryteriowe wspomaganie decyzji
- uczenie głębokie
- uczenie preferencji
- algorytmy oparte na grafach
- nie monotoniczne funkcje wartości
EN Systems that assist humans in processing and analyzing information are becoming increasingly popular. Over the years, various areas of artificial intelligence have developed many tools and techniques for this purpose. In this context, Multiple Criteria Decision Analysis (MCDA) provides decision support tools that are highly interpretable, ensuring their recommendations are believable and trustworthy. Nevertheless, to deal with new, more complex problems, incorporating techniques and inspiration from different fields may be essential. This dissertation presents MCDA methods that combine ideas from various AI sub-disciplines. Firstly, there was developed a framework for preference learning algorithms. It infers the parameters of MCDA-inspired models through interpretable artificial neural networks. They are suitable for handling vast, inconsistent preference information. Moreover, incorporating ideas from machine learning, two approaches were employed for modelling non-monotonic marginal value functions within a preference disaggregation framework. One method allows controlling the complexity and interpretability of the inferred model by minimizing the number of changes in monotonicity. The other elucidates the non-monotonic shape as a combination of non-decreasing and non-increasing components. Furthermore, following the multi-label classification problem, an additive value function model was proposed for the newly formulated problem of multiple interrelated decision sorting. Then, novel exploitation methods of preference and outranking relations were developed. They analyze the strengths and weaknesses of alternatives using algorithms inspired by website scoring. The scores can be enhanced by the Decision Makers’ holistic judgments in the form of subsets of options considered comprehensively strong or weak. The practical usefulness of the proposed methods was demonstrated in real-world problems such as risk management in nanomanufacturing processes and the evaluation of special economic zones or technological parks.
PL Systemy, które pomagają ludziom w przetwarzaniu i analizie informacji, stają się coraz bardziej popularne. Na przestrzeni lat różne obszary sztucznej inteligencji opracowały w tym celu wiele narzędzi i technik. W tym kontekście Wielokryteriowe Wspomaganie Decyzji (WWD) dostarcza narzędzi do wspomagania decyzji, które są wysoce interpretowalne, co zapewnia, że ich rekomendacje są wiarygodne i godne zaufania. Niemniej jednak, aby radzić sobie z nowymi, bardziej skomplikowanymi problemami, może być konieczne włączenie technik i inspiracji z innych dziedzin. Ta praca doktorska prezentuje metody WWD, które łączą pomysły z różnych poddyscyplin sztucznej inteligencji. Po pierwsze, opracowano schemat działania dla algorytmów uczenia preferencji. Wyznacza on parametry metod inspirowanych WWD za pomocą interpretowalnych sztucznych sieci neuronowych. Są one przystosowane do obsługi dużych, niespójnych informacji preferencyjnych. Ponadto, wykorzystując idee uczenia maszynowego, zastosowano dwa podejścia do modelowania niemonotonicznych funkcji wartości w kontekście dezagregacji preferencji. Jedna z metod pozwala kontrolować złożoność i interpretowalność uzyskanego modelu poprzez minimalizację liczby zmian monotoniczności. Druga pozwala wyjaśnić kształt niemonotoniczności jako kombinację składników niemalejących i nierosnących. Ponadto, w oparciu o problem klasyfikacji wieloetykietowej, zaproponowano addytywny model funkcji wartości dla nowo sformułowanego problemu sortowania wielu powiązanych ze sobą decyzji. Następnie opracowano nowe metody eksploatacji relacji preferencji i przewyższania. Uzyskane oceny mogą być wzbogacone o holistyczne osądy decydentów w postaci podzbiorów opcji uznanych za kompleksowo silne lub słabe. Przydatność proponowanych metod została zademonstrowana w rzeczywistych problemach, takich jak zarządzanie ryzykiem w procesach nanotechnologicznych oraz ocena specjalnych stref ekonomicznych lub parków technologicznych.
244
informatyka techniczna i telekomunikacja
DrOIN 2333
publiczny
Ewa Roszkowska
Białystok, Polska
24.07.2023
polski
publiczny
Tomasz Wachowicz
Katowice, Polska
22.08.2023
polski
publiczny
Paweł Ziemba
Szczecin, Polska
30.08.2023
polski
publiczny
rozprawa doktorska
Poznań, Polska
20.11.2023
Rada Dyscypliny Informatyka Techniczna i Telekomunikacja Politechniki Poznańskiej
doktor nauk inżynieryjno-technicznych w dyscyplinie: informatyka techniczna i telekomunikacja