一种广义数据驱动的多准则决策模型:整合多种效用函数与复杂准则交互
《Information Processing & Management》:A generalized data-driven MCDM model: Integrating diverse utility functions and complex criteria interactions
【字体:
大
中
小
】
时间:2026年08月28日
来源:Information Processing & Management 8.1
编辑推荐:
• 提出了用于自适应效用函数与准则交互学习的广义MCDM模型。
• 开发了DUN(可微效用网络),用于复杂决策模型的端到端优化。
• 在单一可解释框架中统一了排序与分类任务。
• 在展现决策机制的同时取得了具有竞争力的准确率。
## 引言
在许多现实场景中——如个性化推荐
• 提出了用于自适应效用函数与准则交互学习的广义MCDM模型。
• 开发了DUN(可微效用网络),用于复杂决策模型的端到端优化。
• 在单一可解释框架中统一了排序与分类任务。
• 在展现决策机制的同时取得了具有竞争力的准确率。
## 引言
在许多现实场景中——如个性化推荐(Chen等, 2026)、精准营销(Basu等, 2023)、医疗诊断(Garg等, 2024)和金融风险控制(Wang等, 2026)——研究人员开发了各种决策支持工具和方法来辅助决策。例如,Google Cloud AI能够通过综合考虑成本、时间和风险等因素,帮助企业优化供应商选择问题。同样,IBM Watson通过分析广泛的病患健康指标(包括病史、基因组数据和生活方式模式)来支持疾病诊断,从而生成个性化治疗建议。亚马逊的购物助手Rufus通过考虑外观、品牌、硬件和价格等属性,帮助消费者在候选商品中做出选择。
上述所有示例都强调了需要协调多个可能存在冲突的准则,以生成排名或评分来支持信息化的决策制定,这正是多准则决策(Multi-Criteria Decision Making, MCDM)的典型特征。MCDM可形式化为 $y_a = f(u_1(x_{a,1}), u_2(x_{a,2}), \ldots, u_n(x_{a,n}))$,$a \in A$,其中 $u_i(x_{a,i})$ 表示与备选方案 $a$ 相关的第 $i$ 个领域特定准则 $x_{a,i}$ 的量化评估值,$y_a$ 表示 $a$ 的决策输出(如排名顺序或评分)。对于特定场景,备选方案 $a$ 可以指一个供应商、一种疾病的诊断结果或一个产品选项。
MCDM的核心特征可以通过四个关键问题系统地阐述:问题类型学、效用函数形式化、准则交互建模和算法设计。首先,就问题类型学而言,MCDM问题通常根据决策输出 $y_a$ 分为两类:排序问题,旨在确定备选方案的偏好顺序或连续评分;以及分类问题,将备选方案分配到预定义的、具有偏好顺序的类别中(Greco等, 2016; Roy, 1996)。其次,全局价值 $y_a$ 是通过聚合准则特定的效用函数 $u_i(x_{a,i})$ 得到的,这些函数量化了决策者(DMs)的偏好(Guo等, 2021)。第三,准则之间的交互作用(如协同效应或冗余效应)在确定最终评估中起着重要作用,这些复杂关系通过聚合函数 $f$ 的具体形式化来捕获和实现(Liu等, 2020)。第四,虽然聚合函数 $f$ 本身构成了MCDM的核心模型,但该主题的综合研究还需要开发相应的计算算法来有效地求解、优化或从数据中学习该模型。
为应对这些挑战,现有的数据驱动MCDM方法通常遵循一套刚性的、顺序性的流程:首先,预先确定问题类型(即为排序任务或分类任务);其次,形式化一个特定的效用函数并规定固定的准则交互模式;最后,提出一种量身定制的算法来求解或优化模型。然而,现实世界的决策场景具有内在的多样性,服务于异质化的用户群体,这意味着一个应用程序可能同时需要排序和分类能力。此外,不同用户的个体效用偏好差异巨大,而准则交互模式则高度依赖于上下文。由于问题类型、效用函数或交互模式的任何变化都需要完全不同的算法设计,现有的刚性范式面临着显著的部署摩擦。因此,当前的数据驱动MCDM方法无法满足现实决策支持的自适应和多元化需求。
从另一个角度来看,这个挑战也可以从机器学习(ML)的视角来审视。在机器学习框架中,决策过程涉及将多个输入(称为特征,类似于MCDM中的准则)映射到一个输出,该输出可以表示有序类别(对应于分类问题)或连续值(对应于排序问题)。尽管现有的机器学习方法在从数据中挖掘潜在模式方面表现出色,对于纯粹的预测任务非常有效,但在应用于决策支持系统时却存在固有缺陷,特别是它们无法分析和解释潜在的决策过程。在高风险领域(如金融风险评价和临床诊断支持)中,这种黑箱特性严重阻碍了透明度和可问责性,使得通用机器学习模型难以在涉及安全的关键决策应用中进行实际部署。
为应对这些挑战——具体而言,即现有数据驱动MCDM方法所要求的刚性逐步流程以及机器学习方法无法分析决策过程的能力——本研究开发了一个广义MCDM(Generalized MCDM, G-MCDM)模型,该模型能够同时处理排序和分类问题。该模型整合了多种现有效用函数以学习最适合特定场景的功能形式,并提供了灵活建模任意数量准则之间交互模式的能力。此外,当G-MCDM的组成部分(如效用函数)高度非线性且复杂时,传统的求解器如CPLEX或MATLAB难以高效求解。因此,我们开发了可微效用网络(Differentiable Utility Network, DUN),作为一种基于梯度的算法,通过数据驱动的方式求解该模型。
为指导本研究,我们系统地定义了以下三个核心研究问题:
**(1)** 如何构建一个统一的MCDM模型,使其在单一框架内同时处理排序和分类问题,从而克服现有方法的刚性逐步流程?
**(2)** 模型如何从数据中自适应地学习最优效用函数,灵活捕获任意数量准则之间的交互模式,同时保持可解释的决策分析过程?
**(3)** 如何在传统优化求解器无法处理的大规模数据集上,利用基于梯度的数据驱动方法高效求解所得到的非线性模型?
主要创新总结如下:
- **广义MCDM(G-MCDM)模型**:该模型提供了一个统一的决策论结构,整合了多样化的效用函数并捕获任意输入准则之间的交互作用。通过自适应学习最优效用形状和交互关系,G-MCDM精确刻画了异质偏好。此外,其架构灵活性使其能够通过问题特定的损失函数有效解决排序和分类两种范式,确保在各类决策领域的广泛适用性。
- **可微效用网络(DUN)算法**:为实现系统化优化,我们开发了DUN作为一种端到端算法。通过将决策论约束嵌入到可微神经网络架构中,DUN利用高效的基于梯度的方法遍历由广义效用函数和准则交互产生的复杂非线性参数空间。
## 相关文献
我们的研究建立在两股文献流之上,包括MCDM方法和机器学习相关方法。
## 广义MCDM建模
我们考虑以下概念的MCDM问题。设 $A = \{a, b, c, \ldots\}$ 表示备选方案集合,每个备选方案由一组准则 $X = \{x_1, x_2, \ldots, x_n\}$ 刻画。对于备选方案 $a \in A$,$x_{a,i}$ 是 $a$ 的第 $i$ 个准则 $x_i$ 的值(下文我们用 $x_{a,i}$ 或简写为 $x_i$ 表示备选方案 $a$ 的准则 $x_i$),$y_a \in Y = \{y_a, y_b, y_c, \ldots\}$ 是其真实值,如总体评分。
给定准则值,我们使用效用函数将准则值 $x_{a,i}$ 映射为效用值。
## 可微效用网络
本节我们开发DUN来求解式(6)中的联合优化问题。通过将基于Choquet积分的聚合过程重新表述为可微网络结构,DUN能够在所需的决策论约束下联合学习效用函数参数和模糊测度参数。以下小节将介绍DUN的网络架构、优化算法和整体计算过程。
## 实验分析
本节介绍DUN的实验分析。第5.1节介绍了用于评估的分类和排序数据集。第5.2节报告了所提模型的实验设置、基准评估和消融研究。第5.3节将DUN与近期MCDM方法和机器学习模型进行比较。第5.4节分析了DUN的计算效率和运行时间。
## 讨论
本节从两个角度讨论所提框架。首先,考察准则交互和效用函数学习的理论意义。其次,阐述使用DUN识别关键准则并通过系统程序分析特定决策问题的实践意义。
## 结论
本文提出了用于数据驱动决策分析的G-MCDM模型。该模型为分类和排序任务提供了统一的形式化表达,使其能够从数据中判断决策问题是分类还是排序问题,并相应处理。它可以纳入任意合适的效用函数来表示决策者的偏好,提供了一个通用且灵活的建模框架。例如,混合效用公式可以揭示先前未知的效用形式。
## CRediT作者贡献声明
**许元震**:撰写—审阅与编辑,撰写—初稿,可视化,验证,软件,方法学,形式分析,数据整理,概念化。
**朱斌**:撰写—审阅与编辑,撰写—初稿,验证,方法学,调查,指导,形式分析,概念化。
**陈建**:可视化,指导,形式分析。
## 致谢
本研究得到了北京理工大学长三角区域高等研究院高性能计算中心的支持。作者感谢审稿人提出的深刻见解和有益建议。
**许元震 | 朱斌 | 陈建**
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号