A novel neural network-based fuzzy ranking for decision problems in sustainable energy
Notice bibliographique
Résumé
The development of energy modeling often comes hand-in-hand with essential decision-making issues. In the field of decision-making, ranking alternatives that are often represented in the form of fuzzy sets, becomes a critical issue with far-reaching implications that has attracted significant attention. The essence of the problem is to evaluate and rank a collection of alternatives under a finite number of weighted criteria. The criteria and the assessment of alternatives are represented by fuzzy sets, which in the sequel give rise to fuzzy sets describing ranking results. Owing to the incorporation of the inherent fuzziness in the alternatives to be ranked, the process of sorting has become intricate. Given this, we transform the ranking problem to a scheme of supervised learning in which the data are composed of pairs (family of fuzzy sets to be ranked, sequence of ranking). A neural network is learnt by minimizing the loss function implemented as a Kendall-tau distance function. Considering the format of this loss function, the optimization of the network is carried out with the use of particle swarm optimization. The proposed method exhibits a notable degree of originality, as it offers a systematic technique to assign rankings to fuzzy sets irrespective of their different types of membership functions. Through sampling, fuzzy sets are innovatively represented by their characteristics across a uniformly distributed domain. Two experimental studies, including synthetic data ranking and a real-world case on plant cultivation in Lithuania, are conducted to demonstrate the effectiveness of the proposed approach
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».