[논문 리뷰] Identification of Choquet capacity in multicriteria sorting problems through stochastic inverse analysis

Renata Pelissari, Leonardo Tomazeli Duarte|arXiv (Cornell University)|2020. 03. 27.

Multi-Criteria Decision Making인용 수 16

한 줄 요약

이 논문은 불확실성 하에서 다기준 분류 문제에 대한 2-가환 Choquet 용적의 식별을 위한 스토하스틱 인버스 분석 접근법인 SMAA-S-Choquet 방법을 제안한다. 시나리오 수용성 지수와 시나리오 중심 용적 벡터를 도입함으로써, 일관된 선호 체계를 보장하는 강력한 시나리오 기반 역분석을 가능하게 하며, 기존의 전통적 SMAA-S 분류법보다 안정성과 해석 가능성에서 뛰어나다.

ABSTRACT

In multicriteria decision aiding (MCDA), the Choquet integral has been used as an aggregation operator to deal with the case of interacting decision criteria. While the application of the Choquet integral for ranking problems have been receiving most of the attention, this paper rather focuses on multicriteria sorting problems (MCSP). In the Choquet integral context, a practical problem that arises is related to the elicitation of parameters known as the Choquet capacities. We address the problem of Choquet capacity identification for MCSP by applying the Stochastic Acceptability Multicriteri Analysis (SMAA), proposing the SMAA-S-Choquet method. The proposed method is also able to model uncertain data that may be present in both decision matrix and limiting profiles, the latter a parameter associated with the sorting problematic. We also introduce two new descriptive measures in order to conduct reverse analysis regarding the capacities: the Scenario Acceptability Index and the Scenario Central Capacity vector.

연구 동기 및 목표

• 기준 간 상호작용이 존재하고 정확한 가중치를 도출하기 어려운 다기준 분류 문제(MCSP)에서 용적 식별의 과제를 해결한다.
• 기존의 SMAA-S 분류 방법이 단지 개별 수용성 지수에 의존하여 다양한 대안 간 일관되지 않은 선호 체계를 초래할 수 있는 한계를 극복한다.
• 결정 행렬과 한계 프로파일에서 유래한 불확실한 데이터를 용적 식별에 통합하는 반감독 학습 방법을 개발한다.
• 역분석과 시나리오 수준의 선호 체계 해석을 지원하기 위해 새로운 묘사적 측정치인 시나리오 수용성 지수와 시나리오 중심 용적 벡터를 도입한다.
• 개별 대안 순위가 아닌 타당한 분류 시나리오 분석을 통해 용적 추정의 강건성과 안정성을 확보한다.

제안 방법

• 타당한 Choquet 용적 공간에서 역분석을 수행하기 위해 스토하스틱 다기준 수용성 분석(SMAA)을 적용한다.
• 결정자 선호와 데이터 불확실성에서 유도된 제약 조건 하에서 몬테카를로 시뮬레이션을 사용해 용적 파라미터를 샘플링한다.
• 모든 대안의 분류 조합으로 구성된 타당한 분류 시나리오를 정의한다.
• 주어진 분류 시나리오가 샘플링된 용적들에서 발생할 확률로 시나리오 수용성 지수(SAI)를 계산한다.
• 각 타당한 시나리오를 생성하는 용적의 평균으로 시나리오 중심 용적 벡터를 도입하여 역분석을 가능하게 한다.
• 부트스트래핑을 사용해 SAI 및 용적 벡터의 불확실성을 추정하고, 강건성 평가를 위한 신뢰구간을 보고한다.

실험 결과

연구 질문

• RQ1 상호작용 기준과 불확실한 데이터를 포함한 다기준 분류 문제에서 Choquet 용적 식별은 어떻게 향상시킬 수 있는가?
• RQ2 개별 수용성 지수를 초월해 SMAA-S 분류 방법의 역분석을 지원하기 위해 필요한 묘사적 측정치는 무엇인가?
• RQ3 개별 분류 분석에 비해 시나리오 기반 분석은 대안 간 선호 체계 해석의 일관성을 어떻게 향상시킬 수 있는가?
• RQ4 불확실성 하에서 제안된 시나리오 수용성 지수와 시나리오 중심 용적 벡터는 얼마나 안정적이고 신뢰할 수 있는가?
• RQ5 제안된 방법은 결정 행렬과 한계 프로파일 양쪽에서의 불확실성을 어느 정도 다룰 수 있는가?

주요 결과

• 시나리오 수용성 지수(SAI)는 가장 타당한 분류 시나리오를 성공적으로 식별하였으며, 15개 시나리오에서 SAI 값은 1.03%에서 22.50%까지 변동하여 높은 분류 능력을 보였다.
• 시나리오 중심 용적 벡터(vec{I}^c_t)는 낮은 변동성(표준편차 < 0.10)을 보이며, 각 시나리오에 대한 대표 용적으로서의 안정성과 신뢰성을 확인했다.
• 높은 수용성 시나리오의 vec{I}^c_t에 대한 신뢰구간은 가장 좁았으며, 이는 추정의 강건성을 확인했고, 낮은 수용성 시나리오에서는 다소 넓어지더라도 거의 변화가 없었다.
• 상위 3개 SAI 시나리오(v2, v5, v6)에서 vec{I}^c_t의 분포는 약간의 정규분포를 띠며, 평균 기반 중심 용적 추정의 타당성을 검증했다.
• 균일한 난수 생성을 사용한 시뮬레이션 데이터를 통해, 이 방법은 결정 행렬과 한계 프로파일 양쪽의 불확실성을 효과적으로 모델링함을 입증했다.
• 시나리오 중심 용적 벡터는 모든 대안이 동일한 용적 구성에서 분류되기 때문에 일관된 선호 체계 해석을 가능하게 하며, 이는 이전 SMAA-S 방법의 핵심 한계를 해결했다.