当前位置：
X-MOL 学术
›
Int. J. Intell. Syst.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Reasoning and querying bounds on differences with layered preferences
International Journal of Intelligent Systems ( IF 5.0 ) Pub Date : 2021-02-13 , DOI: 10.1002/int.22369 Luca Anselma 1 , Alessandro Mazzei 1 , Luca Piovesan 2 , Paolo Terenziani 2
International Journal of Intelligent Systems ( IF 5.0 ) Pub Date : 2021-02-13 , DOI: 10.1002/int.22369 Luca Anselma 1 , Alessandro Mazzei 1 , Luca Piovesan 2 , Paolo Terenziani 2
Affiliation
|
Artificial intelligence largely relies on bounds on differences (BoDs) to model binary constraints regarding different dimensions, such as time, space, costs, and calories. Recently, some approaches have extended the BoDs framework in a fuzzy, “noncrisp” direction, considering probabilities or preferences. While previous approaches have mainly aimed at providing an optimal solution to the set of constraints, we propose an innovative class of approaches in which constraint propagation algorithms aim at identifying the “space of solutions” (i.e., the minimal network) with their preferences, and query answering mechanisms are provided to explore the space of solutions as required, for example, in decision support tasks. Aiming at generality, we propose a class of approaches parametrized over user‐defined scales of qualitative preferences (e.g., Low, Medium, High, and Very High), utilizing the resume and extension operations to combine preferences, and considering different formalisms to associate preferences with BoDs. We consider both “general” preferences and a form of layered preferences that we call “pyramid” preferences. The properties of the class of approaches are also analyzed. In particular, we show that, when the resume and extension operations are defined such that they constitute a closed semiring, a more efficient constraint propagation algorithm can be used. Finally, we provide a preliminary implementation of the constraint propagation algorithms.
中文翻译：
具有分层首选项的差异的推理和查询范围
人工智能主要依靠差异界限（BoD）来建模关于不同维度（例如时间，空间，成本和卡路里）的二进制约束。最近，考虑到概率或偏好，一些方法已在模糊，“清晰”的方向上扩展了BoDs框架。尽管先前的方法主要旨在为约束集提供最佳解决方案，但我们提出了创新的方法类别，其中约束传播算法旨在识别“解决方案空间”（即最小网络）。）及其偏好设置，并提供查询回答机制，以根据需要探索解决方案的空间，例如在决策支持任务中。针对一般性，我们使用简历和扩展名，针对用户定义的定性偏好等级（例如，低，中，高和非常高）提出了一类参数化的方法合并首选项的操作，并考虑将首选项与BoD关联的不同形式。我们既考虑了“一般”偏好，又考虑了一种称为“金字塔”偏好的分层偏好。还分析了该类方法的属性。特别是，我们表明，当定义恢复和扩展操作以使其构成一个封闭的半环时，可以使用更有效的约束传播算法。最后，我们提供了约束传播算法的初步实现。
更新日期：2021-03-31
中文翻译：
具有分层首选项的差异的推理和查询范围
人工智能主要依靠差异界限（BoD）来建模关于不同维度（例如时间，空间，成本和卡路里）的二进制约束。最近，考虑到概率或偏好，一些方法已在模糊，“清晰”的方向上扩展了BoDs框架。尽管先前的方法主要旨在为约束集提供最佳解决方案，但我们提出了创新的方法类别，其中约束传播算法旨在识别“解决方案空间”（即最小网络）。）及其偏好设置，并提供查询回答机制，以根据需要探索解决方案的空间，例如在决策支持任务中。针对一般性，我们使用简历和扩展名，针对用户定义的定性偏好等级（例如，低，中，高和非常高）提出了一类参数化的方法合并首选项的操作，并考虑将首选项与BoD关联的不同形式。我们既考虑了“一般”偏好，又考虑了一种称为“金字塔”偏好的分层偏好。还分析了该类方法的属性。特别是，我们表明，当定义恢复和扩展操作以使其构成一个封闭的半环时，可以使用更有效的约束传播算法。最后，我们提供了约束传播算法的初步实现。
京公网安备 11010802027423号