Learning and Explaining Preferences with Neural Networks for Multiple Criteria Decision Making
Modélisation et apprentissage des préférences par réseaux de neurones pour l'aide à la décision multicritère
Résumé
The goal of this Ph.D. work is to improve multiple criteria decision making by the use of " context-dependent " preference models. Such models are more realistic than the ones used before, but it is usually difficult for the decider to express them. This is the reason for using machine learning by neural networks for identifying the preference model. A neural net " learns " the preference model by the principles of non-linear regression, where the decision model is expressed by examples of decisions. The INKA neural network developed reduces the number of examples necessary, which is essential for the practical use of this technique. Learning times are also sufficiently short to make possible the interactive acquisition of the preference model. The interactive decision support system developed using INKA is one of the first to use machine learning to identify a global preference model. The visualisation of the learnt model and the indicators of precision and sensibility developed help the decider to decide when to stop the interactive procedure. This is especially important for learning the preferences of " abstract deciders " (a group of people, consumers, nature, ...), who can not interact with the system. Explaining the results is still a great problem both for decision support systems and for neural networks. The methods developed here make it possible to reduce or eliminate this problem. It is therefore possible to explain, understand and analyse even the preferences of " abstract deciders ". This information may then be used for improving group decision making or for improving product sales which depend on consumer preferences.
La modélisation des préférences des décideurs pour des problèmes de choix est l'objet principal de ce travail de thèse. Afin d'obtenir des modèles plus réalistes, des fonctions de préférence contextuelle sont présentées dans ce mémoire de thèse. La complexité d'expression de telles fonctions est réduite par le recours à des techniques d'apprentissage automatique à partir de réseaux de neurones. L'identification des fonctions de préférence est réalisée par des réseaux de neurones, fondés sur les principes de la régression non-linéaire, à partir d'exemples de décision. Une telle technique n'est pas toujours applicable en pratique à cause du nombre élevé d'exemples nécessaire. Le réseau neuronal INKA, développé dans le cadre de ce travail, effectue la régression avec un nombre d'exemples relativement petit. INKA offre également des temps d'apprentissage courts par rapport à d'autres techniques, ce qui est nécessaire pour une acquisition interactive de la fonction de préférence. INKA est utilisé dans le système interactif d'aide à la décision (SIAD) présenté, qui est un des premiers à mettre en oeuvre un apprentissage automatique d'une fonction de préférence globale. La visualisation de la fonction apprise et les indicateurs de précision et de sensibilité permettent au décideur d'estimer le moment d'arrêter la recherche de solutions. Ceci est particulièrement utile pour apprendre les préférences des décideurs " abstraits " (acteurs sociaux, systèmes naturels, ...), qui ne peuvent pas utiliser directement le système. Les fonctionnalités d'explication développées dans ce travail permettent de justifier les recommandations des SIAD, ce qui a constitué un des grands défis du domaine de l'aide à la décision multicritère et des réseaux neuronaux. Il est donc possible d'expliquer, de comprendre et d'analyser les préférences même pour des décideurs abstraits. L'intérêt de telles explications est de faciliter la prise de décisions négociées dans le cadre de projets d'aménagement complexes ou pour améliorer des produits dont les ventes dépendent des préférences des clients.
Loading...