[论文解读] Distributed Linguistic Representations in Decision Making: Taxonomy, Key Elements and Applications, and Challenges in Data Science and Explainable Artificial Intelligence

Yuzhu Wu, Zhen Zhang+6 more|arXiv (Cornell University)|Aug 4, 2020

Multi-Criteria Decision Making参考文献 112被引用 6

一句话总结

本文提出了决策情境中分布式语言表征的全面分类法与分析，聚焦其在建模偏好信息中的不确定性与复杂性方面的作用。文章回顾了关键组件，如距离度量、聚合方法及多属性决策模型，同时指出了数据科学与可解释人工智能（XAI）中的挑战与未来方向。

ABSTRACT

Distributed linguistic representations are powerful tools for modelling the uncertainty and complexity of preference information in linguistic decision making. To provide a comprehensive perspective on the development of distributed linguistic representations in decision making, we present the taxonomy of existing distributed linguistic representations. Then, we review the key elements of distributed linguistic information processing in decision making, including the distance measurement, aggregation methods, distributed linguistic preference relations, and distributed linguistic multiple attribute decision making models. Next, we provide a discussion on ongoing challenges and future research directions from the perspective of data science and explainable artificial intelligence.

研究动机与目标

• 为决策情境中的分布式语言表征提供系统性分类法。
• 识别并分析距离度量、聚合方法及偏好关系模型等核心组件。
• 考察分布式语言表征在多属性决策框架中的集成方法。
• 突出数据科学与可解释人工智能（XAI）中开放的挑战与未来研究方向。
• 支持利用语言数据开发更具透明性与可解释性的决策系统。

提出的方法

• 基于现有文献与应用领域，提出一种结构化的分布式语言表征分类法。
• 回顾语言术语的距离度量技术，包括符号方法与数值方法。
• 分析用于组合语言偏好值的聚合算子，如有序加权平均（OWA）与诱导型OWA算子。
• 引入分布式语言偏好关系，以语言术语形式建模成对比较。
• 基于语言变量与转换规则，构建用于分布式语言多属性决策（MADM）的模型。
• 整合数据科学与XAI的洞见，评估语言模型的可解释性与可扩展性。

实验结果

研究问题

• RQ1 分布式语言表征在决策中的关键分类类别是什么？
• RQ2 距离度量与聚合方法如何影响语言决策模型的准确性与可靠性？
• RQ3 在数据科学流程中应用分布式语言表征的主要挑战是什么？
• RQ4 如何使分布式语言模型在人工智能系统中更具可解释性与可说明性？
• RQ5 为推进语言表征在决策系统中的集成，未来研究需关注哪些方向？

主要发现

• 建立了分布式语言表征的全面分类法，按表征类型、应用情境与处理技术进行分类。
• 识别出距离度量与聚合方法为影响语言决策结果一致性与可靠性的关键组件。
• 分布式语言偏好关系能够有效建模多准则情境下人类偏好中的不确定性与模糊性。
• 将语言表征与数据科学及XAI相结合，揭示了可扩展性、可解释性与模型透明度方面的挑战。
• 未来研究应聚焦于提升可解释性、降低计算复杂度，并改善与现有AI框架的互操作性。
• 本文指出亟需建立标准化的评估指标与基准测试框架，以支持语言决策模型的评估。