Bolsa 18/23447-4 - Integral de Choquet, Aprendizado computacional - BV FAPESP
Busca avançada
Ano de início
Entree

Aprendizado de preferências em decisão multicritério para problemas de classificação: novos métodos e aplicações

Processo: 18/23447-4
Modalidade de apoio:Bolsas no Brasil - Pós-Doutorado
Data de Início da vigência: 01 de abril de 2019
Data de Término da vigência: 31 de julho de 2022
Área de conhecimento:Engenharias - Engenharia de Produção - Pesquisa Operacional
Pesquisador responsável:Leonardo Tomazeli Duarte
Beneficiário:Renata Pelissari Infante
Instituição Sede: Faculdade de Ciências Aplicadas (FCA). Universidade Estadual de Campinas (UNICAMP). Limeira , SP, Brasil
Auxílio(s) vinculado(s):24/05971-9 - 33rd European Conference on Operational Research, AR.EXT
Assunto(s):Integral de Choquet   Aprendizado computacional
Palavra(s)-Chave do Pesquisador:aprendizado de máquinas | Aprendizado de preferência | Decisão multicritério | integral de Choquet | Métodos Quantitativos para Tomada de Decisão

Resumo

A análise de decisão multicritério consiste em um conjunto de princípios e ferramentas desenvolvidas para auxiliar na resolução de problemas de decisão complexos. Uma das principais características que distingue os métodos de decisão multicritério de outros métodos da área de pesquisa operacional e da estatística é seu alto grau de incorporação das preferências dos decisores. Normalmente, as informações de preferência devem ser elicitadas pelos próprios decisores. No entanto, dependendo do problema de decisão, os decisores envolvidos podem não querer expor suas opiniões ou podem não ser capazes de definir preferências para todos os parâmetros do modelo. Diferentes abordagens vem sendo desenvolvidas, então, para a elicitação indireta das preferências, como a abordagem de desagregação e o aprendizado de preferências (preference learning). A abordagem de desagregação aprende preferências a partir de exemplos de decisões. Apesar da existência de diferentes métodos baseados na abordagem de desagregação, poucos são os métodos capazes de modelar interação entre critérios ou critérios hierarquicamente estruturados, duas características importantes em problemas de decisão da vida real. O aprendizado de preferências aprende preferências a partir de grandes conjuntos de dados e é considerada uma área que tange tanto o aprendizado de máquinas (machine learning) quanto a decisão multicritério. Abordagens orientadas a dados para elicitação e modelagem de preferências têm se tornado cada vez mais importantes devido à crescente disponibilidade de conjuntos de dados cada vez maiores e a proliferação de interfaces computadorizadas semi-automatizadas. A proposta desse projeto de pesquisa é o desenvolvimento de novos métodos de elicitação e aprendizado de preferência por meio de dados, capazes também de modelar interação entre critérios e critérios hierarquicamente estruturados. Esse projeto de pesquisa, portanto, se en-contra na interface entre decisão multicritério e aprendizado de máquina. As metodologias propostas serão aplicadas no contexto do desenvolvimento de novos índices para medição da vulnerabilidade social no estado de São Paulo.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
PELISSARI, RENATA; KHAN, SHARFUDDIN AHMED; BEN-AMOR, SARAH. Application of Multi-Criteria Decision-Making Methods in Sustainable Manufacturing Management: A Systematic Literature Review and Analysis of the Prospects. NTERNATIONAL JOURNAL OF INFORMATION TECHNOLOGY & DECISION MAKIN, v. 21, n. 02, p. 23-pg., . (18/23447-4)
PELISSARI, RENATA; DUARTE, LEONARDO TOMAZELI. SMAA-Choquet-FlowSort: A novel user-preference-driven Choquet classifier applied to supplier evaluation. EXPERT SYSTEMS WITH APPLICATIONS, v. 207, p. 15-pg., . (20/01089-9, 18/23447-4)
PELISSARI, RENATA; ABACKERLI, ALVARO JOSE; BEN AMOR, SARAH; OLIVEIRA, MARIA CELIA; INFANTE, KLEBER MANOEL. Multiple criteria hierarchy process for sorting problems under uncertainty applied to the evaluation of the operational maturity of research institutions. OMEGA-INTERNATIONAL JOURNAL OF MANAGEMENT SCIENCE, v. 103, . (18/23447-4)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.