Preference Elicitation in Assumption-Based Argumentation
King’s College London（伦敦国王学院）；University of Aberdeen（阿伯丁大学）
各种结构化论证框架利用偏好作为其标准推理过程的一部分，以实现具有偏好的推理。在本文中，我们考虑一个逆的标准推理问题，试图确定什么样的偏好的假设可能会导致一组给定的结论。我们接地我们的工作在基于假设的论证（ABA）的框架，并提出了一个算法，计算和枚举所有可能的偏好设置在系统中的假设，从所需的无冲突的结论集可以在给定的语义下获得。在描述了我们的算法之后，我们建立了它的可靠性、完备性和复杂性。
2020-05-12 cs.AI
Learning Modulo Theories for preference elicitation in hybrid domains
Technische Universität Dortmund（多特蒙德工业大学）；Università degli Studi di Trento（特伦托大学）
本文介绍了CLEO，一种新的偏好诱导算法，能够推荐复杂的对象在混合域，其特点是离散和连续的属性和约束定义在他们身上。该算法假设最小的初始信息，即，一组目录属性，并定义决策功能的逻辑公式相结合的布尔和代数约束的属性。决策者（DM）的（未知）效用被建模为特征的加权组合。CLEO迭代地交替偏好引出步骤和细化步骤，在偏好引出步骤中，基于当前效用模型选择候选解对，在细化步骤中，通过合并接收到的反馈来细化效用。启发步骤利用Max-SMT求解器来返回根据当前实用新型的最优混合解决方案。细化步骤被实现为学习排序，并且稀疏化范数被用于有利于在候选决策特征的组合空间中选择很少的信息特征。CLEO是第一个能够处理混合域的偏好诱导算法，这要归功于使用Max-SMT技术，同时保留DM实用程序和噪声反馈中的不确定性。复杂的推荐任务的实验结果表明，CLEO的能力，以快速专注于最佳的解决方案，以及它的能力，以恢复次优的初始选择。虽然没有竞争对手存在的混合设置，CLEO优于一个国家的最先进的贝叶斯偏好启发算法时，适用于一个纯粹的离散任务。
2015-08-31 cs.AI
Preference-based Multiobjective Virtual Machine Placement: A Ceteris Paribus Approach
Umm Al-Qura University（乌姆·库拉大学）
这项工作采用的概念Ceteris Paribus（CP）的决策者（DM）的偏好的解释，并将其纳入一个约束的多目标问题，称为虚拟机布局（VMP）。VMP是云数据中心设计和运营中的一个基本多目标问题，涉及将每个虚拟机放置到数据中心的物理机（服务器）。我们分析了CP解释VMP问题的有效性，并提出了一个NSGA-II的变种，首选的解决方案返回几乎没有额外的时间成本。
2019-04-20 cs.AI cs.NE
Elicitation strategies for fuzzy constraint problems with missing preferences: algorithms and experimental studies
Università di Padova（帕多瓦大学）；NICTA（国家信息与通信技术研究院）；UNSW Sydney（悉尼新南威尔士大学）
模糊约束是一种流行的方法，可以在需要谨慎的场景中处理偏好和过度约束问题，例如在医疗或太空应用中。我们在这里考虑模糊约束问题的一些偏好可能会丢失。例如，这种模型可以模拟代理分布并具有隐私问题的设置，或者存在持续偏好获取过程的设置。在这种情况下，我们研究如何找到一个解决方案，这是最佳的，而不管失踪的偏好。在寻找这样的解决方案的过程中，我们可能会在必要时从用户那里获得偏好。但是，我们的目标是尽可能少地询问用户。我们定义了一个组合的解决方案和偏好诱导计划，大量不同的实例，每个对应于一个具体的算法，我们比较实验。我们计算引发的偏好和“用户努力”的数量，这可能更大，因为它包含了用户必须计算的所有偏好值，以便能够响应引发请求。虽然当关注的是传达尽可能少的信息时，引出的偏好的数量是重要的，但是用户努力也测量用户为了能够传达引出的偏好而必须做的隐藏工作。我们的实验结果表明，我们的一些算法是非常好的，在找到一个必要的最佳解决方案，同时要求用户只有很小的一部分缺失的偏好。对于最好的算法，用户的努力也非常小。最后，我们测试这些算法的硬约束问题可能丢失的约束，其目的是找到可行的解决方案，而不管丢失的约束。
2009-09-24 cs.AI
Preference-Guided Planning: An Active Elicitation Approach
University of Texas, Dallas（得克萨斯大学达拉斯分校）；Indiana University, Bloomington（印第安纳大学伯明顿分校）；Washington State University（华盛顿州立大学）；University of Pennsylvania（宾夕法尼亚大学）
带有偏好的计划已被广泛采用，以快速生成高质量的计划。然而，人类专家在不知道规划者所采用的推理和规划问题的分布的情况下可能难以提供该信息。我们考虑的问题，积极引出的偏好，从人类专家在规划过程中。具体来说，我们研究这个问题的层次任务网络（HTN）规划框架的背景下，因为它可以很容易地与人的互动。我们在几个不同的规划领域的实验结果表明，使用所提出的方法收集的偏好，提高了规划的质量和速度，同时减少了人类专家的负担。
2018-04-19 cs.AI
Preference Elicitation with Soft Attributes in Interactive Recommendation
University of Southern California（南加州大学）；University of Virginia（弗吉尼亚大学）；Google Research（谷歌研究院）
针对交互式推荐中用户偏好难以用常规属性描述的问题，提出融合物品与软属性、基于概念激活向量的偏好诱导方法，有效提升推荐质量。
2023-10-22 cs.AI cs.IR
Mind the Gap: How Elicitation Protocols Shape the Stated-Revealed Preference Gap in Language Models
University of Oxford（牛津大学）；Max Planck Institute for Biological Cybernetics（生物信息学Max Planck研究所）；University of Tuebingen（图宾根大学）；Cardiff University（卡迪夫大学）；Cambridge–Boston Alignment Initiative (CBAI)（剑桥-波士顿对齐倡议）
研究探讨了elicitation协议对语言模型中stated-revealed偏好差距的影响，发现中性选项和 abstention 的引入能提高相关性，但进一步允许 abstention 又导致相关性下降。
2026-05-13 cs.AI cs.ET
Preference Elicitation for Step-Wise Explanations in Logic Puzzles
针对逻辑谜题分步解释中候选步骤多、用户偏好难定义的问题，提出动态归一化技术和MACHOP查询生成策略，通过交互式偏好获取学习用户偏好，提升解释质量，在数独和逻辑网格谜题上验证效果优于标准方法。
2025-11-13 cs.AI
Information efficient learning of complexly structured preferences: Elicitation procedures and their application to decision making under uncertainty
LMU Munich（慕尼黑大学）
在本文中，我们提出了有效的方法，复杂结构的偏好，并利用这些问题的决策（严重）的不确定性。基于Jansen，Schollmeyer和Augustin（2018，Int. J. Approx.现在，我们设计启发程序和算法，使决策者能够揭示他们潜在的偏好系统（即两个关系，一个编码序数，另一个编码偏好的基数部分），同时必须回答尽可能少的简单排名问题。这里，遵循两种不同的方法。第一种方法直接利用收集的排名数据获得的顺序部分的偏好，而他们的基数部分构建隐含的测量Meta数据的决策者的考虑时间。与此相反，第二种方法也明确elancies的决策者的偏好系统的主要部分，但是，只有一个近似版本。这种近似是通过额外的收集标签的偏好强度在启发过程中获得。对于这两种方法，我们给出的条件下，他们产生的决策者的真实偏好系统，并探讨如何提高其效率。对于后一个目的，除了无数据的方法，我们还讨论了如何有效地指导启发程序，如果以前的启发轮的数据是可用的。最后，我们展示了如何建议的启发式方法可以利用在（严重）不确定性的决策问题。准确地说，我们表明，在某些条件下，最优决策可以找到没有充分指定的偏好系统。
2022-02-01 cs.AI stat.ME
Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems
本文提出IDSS系统，利用熵信号处理用户查询中的模糊性，通过自适应偏好挖掘和不确定性感知的推荐，提升推荐系统的多样性和透明度。
2026-03-12 cs.AI
Asking Clarifying Questions for Preference Elicitation With Large Language Models
Google（谷歌）
提出一种受扩散模型启发的两阶段训练方法，使大语言模型能生成顺序澄清问题，有效引出用户偏好，显著提升漏斗式提问能力。
2025-10-13 cs.AI
Complexity of Terminating Preference Elicitation
NICTA（国家信息与通信技术研究院）；UNSW（新南威尔士大学）
复杂性理论是一个有用的工具来研究计算问题的诱导偏好，以及战略操纵的选举聚集在一起的多个代理人的偏好。我们在这里研究的复杂性，确定何时可以终止引发偏好，并证明了复杂性取决于引发策略。例如，我们表明，从计算的角度来看，一次从一个代理中引出所有偏好可能比从多个代理中引出个人偏好更好。我们还研究了选举的战略操纵和偏好诱导之间的联系。我们表明，我们可以操纵影响操纵的计算复杂性。特别是，我们证明，有投票规则，这是很容易操纵，如果我们可以改变所有的代理人的投票，但计算棘手，如果我们只能改变他们的一些喜好。这表明，与偏好诱导一样，对操纵的细粒度看法可能是有益的。最后，我们研究了预测选举获胜者和偏好诱导之间的联系。基于这种联系，我们确定了一个投票规则，它是计算上很难决定的概率候选人获胜的概率分布在选票上。
2009-03-06 cs.AI cs.CC cs.MA
Affect-aware Cross-Domain Recommendation for Art Therapy via Music Preference Elicitation
University of Luxembourg（卢森堡大学）
针对现有艺术治疗视觉艺术推荐系统仅靠视觉刺激建模、情绪捕捉不全面的问题，提出基于音乐驱动偏好激发的跨域推荐方法，200用户实验证明效果优于纯视觉激发方案，并开源相关资源。
2025-07-18 cs.AI cs.IR
Deploying a Robust Active Preference Elicitation Algorithm on MTurk: Experiment Design, Interface, and Evaluation for COVID-19 Patient Prioritization
USC Center for AI in Society（南加州大学人工智能与社会中心）；USC School of Philosophy（南加州大学哲学学院）
本研究针对COVID-19患者医疗资源优先级分配问题，开发在线偏好启发平台，通过193名MTurk用户验证了鲁棒主动偏好启发算法比随机查询性能高21%，弥补了仿真假设的局限性。
2023-11-06 cs.AI cs.HC
Compact Value-Function Representations for Qualitative Preferences
Ben-Gurion University（本-古里安大学）；Cornell University（康奈尔大学）
我们认为，在系统中，帮助用户发现一个给定的数据库中最理想的项目（S）的偏好启发的挑战。过去的工作，偏好的启发集中在结构化的模型，提供了一个因素表示用户的偏好。这样的模型需要较少的信息来构建和支持有效的推理算法。本文在这方面作出了两个重要贡献：（1）因子化价值函数的强表示定理。(2)一种方法，利用我们的代表性的结果，以解决问题的最佳项目选择。
2012-07-11 cs.AI
Greedy SLIM: A SLIM-Based Approach For Preference Elicitation
University of Stuttgart（斯图加特大学）
本文提出 Greedy SLIM，一种基于 SLIM 的贪心训练方法，通过迭代选择物品以最小化损失来实现偏好获取，实验和用户研究表明其优于基于隐因子模型的方法。
2024-06-10 cs.AI cs.IR
Robust Active Preference Elicitation
University of Southern California（南加州大学）
我们研究的问题，通过适度数量的成对比较查询，使他们成为一个高质量的建议，一个特定的问题，引起决策者的偏好。我们的动机是高风险领域的应用，例如选择分配稀缺资源以满足基本需求的政策（例如，肾脏移植或无家可归者的住房），其中需要根据（部分）引出的偏好做出相应的建议。我们将偏好中的不确定性建模为基于设置的，并调查两种设置：a）离线启发设置，其中所有查询都是同时进行的，以及b）在线启发设置，其中查询以自适应方式随着时间的推移顺序选择。我们提出了这些问题的强大的优化配方，集成的偏好诱导和推荐阶段，旨在最大限度地提高最坏情况下的效用或最小化最坏情况下的遗憾，并研究其复杂性。对于离线的情况下，积极的偏好启发采取的形式，两个半阶段的强大的最优化问题与决策相关的信息发现，我们提供了一个等价的重新制定的形式，我们解决了通过列和约束生成的混合二进制线性规划。对于在线设置，主动偏好学习的形式是一个多阶段的强大的最优化问题与决策相关的信息发现，我们提出了一个保守的解决方案。对合成数据的数值研究表明，我们的方法在最坏情况下的排名，遗憾和效用方面优于文献中最先进的方法。我们展示了我们的方法可以用来帮助无家可归的服务机构在选择一项政策，分配稀缺的住房资源的不同类型的人经历无家可归。
2021-12-08 cs.AI math.OC
Utility Elicitation as a Classification Problem
Stanford University（斯坦福大学）；Stanford University School of Medicine（斯坦福大学医学院）
我们研究了分类技术在效用启发中的应用。在一个决策问题中，通常必须引出两组参数：概率和效用。虽然模型中的先验概率和条件概率不会因用户而异，但实用模型会发生变化。因此，有必要为每个新用户单独引出实用新型。启发是漫长而乏味的，特别是当结果空间很大且不可分解时。有两种常见的方法来获取效用函数。第一种方法是仅仅根据定性偏好的启发来确定用户的效用函数，第二种方法是对效用函数的形式和可分解性进行假设，这里我们采取不同的方法：我们试图根据与先前收集的效用函数数据库相关的分类来确定新的用户的效用函数。我们通过识别效用函数的集群来实现这一点，这些集群可以最小化适当的距离度量。在确定了集群，我们开发了一个分类方案，需要更少和更简单的评估比充分的实用程序启发，是更强大的实用程序启发仅仅基于偏好。我们已经测试了我们的算法在一个小的数据库中的效用函数在产前诊断域，结果是相当有前途的。
2013-01-30 cs.AI
Constructive Preference Elicitation over Hybrid Combinatorial Spaces
University of Trento（特伦托大学）；TIM-SKIL；KU Leuven（鲁汶大学）
偏好诱导是向决策者建议高度偏好的配置的任务。偏好通常通过询问用户对对象对或对象集的选择反馈来学习。在其建设性的变体，新的对象是合成“从头开始”，通过最大限度地估计用户效用的组合（可能是无限的）空间的候选人。在建设性的设置，大多数现有的启发技术失败，因为他们依赖于穷举的候选人。以前的解决方案显式地为构造性任务设计，没有正式的性能保证，并且在具有非布尔属性的问题中可能非常昂贵（或不适用于）。我们提出了选择感知器，感知器类算法学习用户的偏好，从集明智的选择反馈建设性域和混合布尔数值特征空间。我们提供了一个理论分析，达到遗憾，持有一大类的查询选择策略，并设计了一个启发式的策略，旨在优化遗憾在实践中。最后，我们证明了其有效性的实证评估对现有的竞争对手的建设性方案日益复杂。
2018-05-07 cs.AI cs.LG
Constructive Preference Elicitation by Setwise Max-margin Learning
University of Trento（特伦托大学）；Sorbonne Universités（索邦大学）；UPMC Univ Paris 06（巴黎第六大学（皮埃尔和玛丽·居里大学））；CNRS（法国国家科学研究中心）
在本文中，我们提出了一种方法，以优惠的启发，是适合于大的配置空间超出了现有的国家的最先进的方法。我们的setwise最大保证金方法可以被视为一个泛化的最大保证金学习集，并可以产生一组“不同”的项目，可用于向用户询问信息查询。此外，该方法可以鼓励参数空间中的稀疏性，以有利于对集中在少数特征上的权重组合的效用评估。我们提出了一个混合整数线性规划公式，并展示了我们的方法与贝叶斯偏好诱导方法相比，可以轻松地扩展到现实的数据集。
2016-04-20 cs.AI cs.LG stat.ML
A Cost-Effective Framework for Preference Elicitation and Aggregation
RPI（伦斯勒理工学院）；IBM Research（IBM研究院）
我们提出了一个具有成本效益的框架下的Plackett-Luce模型与功能的偏好诱导和聚合。给定预算，我们的框架迭代计算最具成本效益的启发式问题，以帮助代理做出更好的群体决策。我们用亚马逊土耳其机器人上的实验说明了框架的可行性，我们用它来估计回答不同类型的启发式问题的成本。我们比较了我们的框架的预测精度时，采用各种信息标准，评估预期的信息增益从一个问题。我们的实验表明，精心设计的信息标准要有效得多，即，在预算有限的情况下，他们使用比随机提问更少的问题来得出正确答案。
2018-07-07 cs.AI cs.HC cs.LG
An Ontology of Preference-Based Multiobjective Metaheuristics
National University of Defense Technology（国防科技大学）；Leiden University（莱顿大学）；De Montfort University（德蒙福特大学）；Instituto Universitário de Lisboa (ISCTE-IUL)（里斯本大学学院）；Polytechnic Institute of Leiria（莱里亚理工学院）；University of Münster（明斯特大学）
用户偏好集成在多目标优化，特别是多目标优化中具有重要意义。传统的基于数学规划的多准则决策（MCDM）长期以来一直考虑偏好。最近，它被集成在多目标元分析（MOMH），导致重点放在帕累托前沿的首选部分，而不是整个帕累托前沿。在过去的几十年中，基于偏好的多目标元分析的出版物数量迅速增加。已经存在各种偏好处理方法和MOMH方法，它们以不同的方式组合。本文提出了使用Web本体语言（OWL）的模型和系统化的结果在这一领域的发展。现有的工作提供了一个审查，在此基础上建立一个本体，并与国家的最先进的结果实例化。OWL本体是公开的，并对未来的扩展开放。此外，本体的使用例示了不同的用例，包括查询匹配的工程应用，文献计量分析，检查存在的偏好模型和MOMH技术的组合的方法，并发现新的研究和开放的研究问题的机会。
2017-03-10 cs.AI cs.NE
Causal Preference Elicitation
University of California, Berkeley（加州大学伯克利分校）
提出一种贝叶斯框架，通过主动查询局部边关系来集中有向无环图的后验分布，实现专家参与的因果发现。
2026-06-02 cs.AI cs.LG stat.ME
Toward Experiential Utility Elicitation for Interface Customization
University of Toronto（多伦多大学）
用户对自动化帮助的偏好通常差异很大，这取决于情况以及帮助的质量或呈现方式。开发有效的模型来在线学习个人偏好需要领域模型，该模型将用户行为的观察与其效用函数相关联，而效用函数又可以使用效用启发技术来构建。然而，大多数启发式方法要求用户的预测效用的基础上假设的情况下，而不是更现实的经验效用。这在界面定制中尤其如此，用户被要求评估新颖的界面设计。我们提出了经验的实用程序的定制方法，并比较这些预测方法。由于经验丰富的实用程序已被认为是更好地反映行为决策的真实偏好，这里的目的是调查准确和有效的程序，适用于软件领域。与传统的启发，我们的研究结果表明，经验的方法可以帮助人们理解随机的结果，以及更好地欣赏智能援助的顺序效用。
2012-06-13 cs.AI cs.HC
Preference Elicitation For Single Crossing Domain
Indian Institute of Science（印度科学学院）；Indian Institute of Technology, Gandhinagar（印度理工学院甘地纳加尔分校）
在社会选择理论中，引出一组代理人对一组替代品的偏好是一个具有根本重要性的问题。先前的工作对这个问题进行了研究的查询复杂性的偏好启发的不受限制的域和单峰偏好的域。在本文中，我们考虑的单交叉偏好配置文件的域，并在不同的设置下的偏好启发的查询复杂度进行了研究。我们考虑两种不同的情况：当一个顺序的选民的配置文件是单一的交叉是已知的，当它是未知的。我们还考虑了不同的访问模型：当投票可以随机访问时，而不是当它们以预定义的顺序出现时。在顺序存取模型中，我们区分了两种已知顺序的情况：第一种是投票出现的顺序也是单交叉顺序，而不是单交叉顺序。我们的工作的主要贡献是提供多项式时间算法与低查询复杂度的偏好启发在所有上述六种情况下。此外，我们表明，我们的算法的查询复杂性是最佳的常数因子，但上述六种情况之一。然后，我们提出了偏好诱导算法的配置文件，这是接近单交叉下的各种概念的接近度，例如，单一的交叉宽度，最小数目的候选人|其删除使简档单一交叉的投票者。
2016-04-15 cs.AI cs.DS cs.GT
LLM-Powered Preference Elicitation in Combinatorial Assignment
Harvard University（哈佛大学）；University of Zurich（苏黎世大学）；ETH AI Center（ETH人工智能中心）；University of Illinois Chicago（芝加哥伊利诺伊大学）
提出可与 SOTA 机器学习偏好诱导方法协同的 LLM 代理框架，以一次性方式减少组合分配中的人力查询，并在课程分配中验证其最高提升 20% 分配效率。
2025-02-14 cs.AI cs.GT cs.LG
Elicitation for Preferences Single Peaked on Trees
Indian Institute of Science（印度科学学院）；Indian Institute of Technology, Gandhinagar（印度理工学院甘地纳加尔分校）
在多智能体系统中，我们经常有一组代理，其中每个代理都有一个偏好排序的一组项目和一个想知道这些偏好排序的各种任务，例如，数据分析，偏好聚合，投票等，但是，我们往往有大量的项目，这使得它不切实际的要求他们完整的偏好排序的代理。在这种情况下，我们通常通过询问（希望是少量的）比较查询来引出这些代理的偏好-要求代理比较两个项目。以往的偏好提取工作主要集中在非限制域和单峰偏好域上，并表明单峰域中的偏好可以通过比非限制域少得多的查询次数来提取。我们延长这条线的研究和研究的单峰偏好树，这是一个严格的超集的单峰偏好域的偏好启发。我们发现，查询的复杂性关键取决于叶子的数量，路径覆盖数，以及从路径的基本单峰树的距离，而其他自然参数，如最大程度，直径，路径宽度不发挥任何直接的作用，在确定查询的复杂性。然后，我们调查的查询复杂性，找到一个弱孔多塞优胜者的偏好单峰的树，并表明，这项任务的查询复杂性比偏好启发少得多。在这里，我们再次观察到，在潜在的单峰树和树的路径覆盖数的叶子的数量影响问题的查询复杂度。
2016-04-15 cs.AI cs.CC cs.DS
FARPLS: A Feature-Augmented Robot Trajectory Preference Labeling System to Assist Human Labelers' Preference Elicitation
Hong Kong University of Science and Technology（香港科技大学）；Carnegie Mellon University（卡内基梅隆大学）；Tongji University（同济大学）；Southeast University（东南大学）；Hong Kong Productivity Council（香港生产力促进局）；Hong Kong Industrial Artificial Intelligence and Robotics Centre (FLAIR)（香港工业人工智能及机器人中心（FLAIR））；University of Manchester（曼彻斯特大学）
针对传统机器人轨迹偏好标注中存在的特征易忽略、标注易疲劳、质量下降等问题，提出特征增强的FARPLS系统，通过高亮特征、动态调序等方式，提升标注一致性与参与度且不显著增加认知负荷。
2024-03-10 cs.AI cs.HC
Lie on the Fly: Strategic Voting in an Iterative Preference Elicitation Process
Ariel University（阿里尔大学）；Nanyang Technological University（南洋理工大学）；Ben-Gurion University（本-古里安大学）
投票中心负责收集和汇总选民的偏好。在迭代过程中，中心向投票者发送比较查询，要求他们提交他们对两个项目的偏好。选民可能会在他们之间讨论候选人，在选举过程中找出哪些候选人有机会获胜，哪些没有。因此，策略选民可能会试图通过偏离他们的真实偏好来操纵，而是提交不同的响应，以试图最大化他们的利润。我们提供了一个实用的算法，战略选民计算最佳操纵投票，并最大限度地提高选民的自私的结果时，这样的投票存在。我们还提供了一个谨慎的投票中心，它知道可能的操纵，并在可能的情况下避免操纵查询。在四个现实世界的领域的实证研究中，我们表明，在实践中操纵发生在一个低比例的设置，并对最终结果的影响很小。谨慎的投票中心甚至进一步减少了操纵，从而允许发生非扭曲的群体决策过程。因此，我们提供了一个投票过程的核心技术研究，可以在意见或信息聚合系统和众包应用中采用，例如，大规模开放式在线课程（MOOC）的同行评分。
2019-05-13 cs.AI cs.CY
Ordered Preference Elicitation Strategies for Supporting Multi-Objective Decision Making
Vrije Universiteit Brussel（布鲁塞尔自由大学）；University of Oxford（牛津大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；City of Amsterdam, Signal Control Design and Analysis（阿姆斯特丹市信号控制设计与分析部门）；Delft University of Technology（代尔夫特理工大学）
在多目标决策规划和学习中，人们非常关注产生最优解集，这些解集包含针对每个可能的用户偏好配置文件的最优策略。我们认为，接下来的步骤，即，通过最大化这个（可能是无限的）集的用户的内在效用函数来确定执行哪一个政策，是研究不足。本文旨在填补这一空白。我们建立在以前的工作高斯过程和成对比较的偏好建模，将其扩展到多目标决策支持的情况下，并提出了新的排序和聚类的基础上的偏好启发策略。我们的主要贡献是使用计算机和基于人类的实验，这些策略的深入评估。我们表明，我们提出的启发式策略优于目前使用的成对方法，并发现用户最喜欢排名。我们的实验进一步表明，利用单调性信息的GP通过使用线性先验均值在开始和虚拟比较的最低点和理想点，提高性能。我们展示了我们的决策支持框架，在现实世界中的交通管制研究，与阿姆斯特丹市进行。
2018-02-21 cs.AI cs.LG stat.ML
Conjecture and Inquiry: Quantifying Software Performance Requirements via Interactive Retrieval-Augmented Preference Elicitation
School of Computer Science and Engineering, UESTC（电子科技大学计算机科学与工程学院）；IDEAS Lab, University of Birmingham（英国伯明翰大学IDEAS实验室）
本文提出IRAP方法，通过交互式检索增强偏好获取将软件性能需求转化为数学函数，实验表明其在五个交互回合内实现最高40倍的性能提升。
2026-04-27 cs.AI cs.CL cs.SE
Participatory Moral AI Is Not Neutral: The Invisible Hand of Developers
该研究发现，道德AI偏好征集流程中的特征范围、投票者构成、问题措辞三项关键选择会显著影响AI决策，仅靠投票汇总无法实现公平透明的AI，需对流程各阶段审计披露。
2026-09-22 cs.AI
Preference Elicitation for Offline Reinforcement Learning
ETH AI Center（ETH人工智能中心）；ETH Zürich（苏黎世联邦理工学院）；MPI for Intelligent Systems（智能系统马克斯·普朗克研究所）；ELLIS Institute Tübingen（图宾根ELLIS研究所）；University of Zürich（苏黎世大学）
本文提出Sim-OPRL算法，通过环境模型在模拟轨迹上引发偏好，结合悲观与乐观策略，解决离线偏好强化学习中的偏好获取问题，并提供样本复杂度保证与实验验证。
2025-02-28 cs.AI cs.LG
Preference Elicitation and Robust Optimization with Multi-Attribute Quasi-Concave Choice Functions
University of Southampton（南安普顿大学）
决策者的偏好往往被捕获的一些选择功能，用于排名的前景。在本文中，我们考虑在多属性前景空间的选择函数的模糊性。我们的主要结果是一个强大的偏好模型，其中最佳决策是基于最坏情况下的选择功能，从一个模糊集，通过与成对比较的前景偏好启发。不同于现有的作品在该地区，我们的重点是准凹选择功能，而不是凹功能，这使我们能够涵盖广泛的效用/风险偏好问题，包括多属性的期望效用和$S$形的期望风险偏好。稳健选择函数是递增的和准凹的，但不一定是平移不变的，这是货币风险度量的一个关键属性。提出了两种分别基于拟凹函数的支持函数和水平函数的方法来构造最大最小偏好鲁棒优化模型的易于处理的公式。前者产生一个混合整数线性规划问题，而后者相当于解决一系列凸风险最小化问题。为了评估所提出的鲁棒偏好优化模型和数值方案的有效性，我们将其应用于安全预算分配问题，并报告了一些初步的实验结果。
2018-05-17 cs.AI cs.IR math.OC
Explainable Active Learning for Preference Elicitation
Özyeğin University（厄兹耶因大学）；Delft University of Technology（代尔夫特理工大学）
针对冷启动偏好获取问题，提出一种可解释主动学习框架，通过无监督、半监督和监督学习的集成，利用用户对解释的反馈更新模型，在有限标注下提升推荐个性化并增强用户信任。
2023-09-01 cs.AI cs.IR cs.LG
Personalized Algorithmic Recourse with Preference Elicitation
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine（巴黎第九大学）
针对算法追索中行动成本“一刀切”导致方案对部分用户过贵的问题，提出人在回路方法PEAR，通过贝叶斯偏好诱导和强化学习结合MCTS，仅需少量查询即可生成高质量个性化追索方案。
2024-01-23 cs.AI cs.LG
A Hybrid Approach to Reasoning with Partially Elicited Preference Models
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；Assumption University（易三仓大学）
经典决策理论为复杂偏好的表示和推理提供了一个规范的框架。直接应用这一理论来自动决策是困难的，由于高启发成本。为了解决这个问题，研究人员最近开发了一些定性的，逻辑导向的方法来表示和推理的参考。虽然有效地解决了一些表达问题，但这些逻辑还没有被证明足够强大，无法构建实用的自动化决策系统。在本文中，我们提出了一种混合的方法，以经典的多属性效用理论为基础的偏好诱导和决策，但可以有效地利用定性方法的表达能力。具体来说，假设一个部分指定的多线性效用函数，我们展示了如何比较声明类的决策方案可以用来进一步约束的效用函数，从而确定超最优的替代品。这项工作表明，定量和定性的方法可以协同集成，提供有效和灵活的决策支持。
2013-01-23 cs.AI
Variational Factorization Machines for Preference Elicitation in Large-Scale Recommender Systems
Inria Saclay（法国国家信息与自动化研究所萨克雷中心）；Kyoto University（京都大学）
因式分解机（FM）是一个强大的工具，用于在稀疏观测的背景下进行回归和分类，已成功应用于协同过滤，特别是当用户或项目的辅助信息可用时。已经提出了FM的贝叶斯公式来提供模型预测的置信区间，但是它们通常涉及马尔可夫链蒙特卡罗方法，需要许多样本来提供准确的预测，导致在大规模数据的背景下训练缓慢。在本文中，我们提出了一个变分公式的因式分解机，使我们能够得到一个简单的目标，可以很容易地使用标准的小批量随机梯度下降优化，使其适合大规模的数据。我们的算法学习用户和项目参数的近似后验分布，这导致预测的置信区间。我们使用几个数据集表明，它在预测精度方面具有与现有方法相当或更好的性能，并提供了主动学习策略中的一些应用，例如，偏好诱导技术。
2022-12-20 cs.AI cs.IR cs.LG
Preference Elicitation for Multi-objective Combinatorial Optimization with Active Learning and Maximum Likelihood Estimation
Department of Computer Science, KU Leuven（计算机科学系，根特大学）
本文针对多目标组合优化中权重难以预先定义的问题，提出基于Constructive Preference Elicitation框架的改进方法，通过解池加速、最大似然估计学习和主动学习查询选择，在减少用户交互的同时生成更高质量的解。
2025-08-27 cs.AI cs.LG
Regret-based Reward Elicitation for Markov Decision Processes
University of Toronto（多伦多大学）
马尔可夫决策过程（MDP）的规范可能是困难的。奖励函数的指定尤其成问题;在实践中，用户精确地指定奖励通常在认知上是复杂且耗时的。这项工作投的问题，指定奖励作为一个偏好诱导，旨在尽量减少的精确度，必须指定的奖励函数，同时仍然允许最优或接近最优的政策产生。我们首先讨论如何强大的政策可以计算MDP只给出部分奖励信息，使用极大极小后悔准则。然后，我们展示了如何后悔可以有效地引发奖励信息使用绑定查询，使用后悔减少作为一种手段，选择合适的查询。实证结果表明，基于后悔的奖励诱导提供了一种有效的方法来产生接近最优的政策，而不诉诸于整个奖励函数的精确规格。
2012-05-09 cs.AI
Preference Elicitation for Policy Optimization and Application to Aligning Heart Transplantation with Human Values
Carnegie Mellon University（卡内基梅隆大学）；Medical University of South Carolina（南卡罗来纳医科大学）；Strategy Robot, Inc.（策略机器人公司）；Strategic Machine, Inc.（战略机器公司）；Optimized Markets, Inc.（优化市场公司）
本文提出一种用于策略优化的线性效用偏好 elicitation 算法，将其应用于心脏移植分配，通过用户研究学习社区对齐的效用函数，所优化策略的竞争比达0.95，显著优于现状策略。
2026-10-12 cs.AI cs.LG
The Tournament Tree Method for preference elicitation in Multi-criteria decision-making
Department of Mathematics, Universidad de Ja \'e n, 23071 Ja \'e n, Spain；Department of Computer Science, Universidad de Ja \'e n, 23071 Ja \'e n, Spain
本文提出锦标赛树方法（TTM），通过仅需m-1次成对比较构建一致矩阵，降低认知负荷并减少偏好建模维度，兼容卡片组方法，并开发了网络工具验证其实用性。
2025-10-09 cs.AI cs.IT math.IT
User Interface Tools for Navigation in Conditional Probability Tables and Elicitation of Probabilities in Bayesian Networks
University of Pittsburgh（匹兹堡大学）
概率的推导是构建决策理论模型中最费力的任务之一，而且迄今为止在决策理论系统中只受到适度的关注。我们提出了一套图形概率模型的用户界面工具，侧重于概率启发的两个方面：（1）通过条件概率表导航和（2）离散概率分布的交互式图形评估。我们提出了两个新的图形视图，帮助导航非常大的条件概率表：CPTree（条件概率树）和SCPT（收缩条件概率表）。基于对人类定量数据图形化呈现的了解，我们为概率轮和条形图提供了几个有用的增强功能，包括不同的图表样式和选项，可以适应用户的偏好和需求。我们提出了一个简单的可用性研究的结果，证明了所提出的工具的价值。
2013-01-18 cs.AI
On The Stability of Moral Preferences: A Problem with Computational Elicitation Methods
Activision（动视公司）；Duke University（杜克大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Oxford（牛津大学）
本文通过两周十次重复肾脏分配道德调查，发现参与者对争议情境的回答改变率约10–18%，且与反应时间和决策难度相关，揭示一次性计算式道德偏好 elicitation 的稳定性风险。
2024-08-05 cs.AI cs.CY cs.HC
Bayesian Optimization with LLM-Based Acquisition Functions for Natural Language Preference Elicitation
University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
针对冷启动自然语言偏好 elicitation，提出基于贝叶斯优化的PEBOL算法，结合NLI与BO采集函数，在10轮对话后MRR@10达0.27，优于单一LLM基线。
2024-08-20 cs.AI cs.CL
Agentic-Priors: Using Large Language Models to Address the Cold Start Problem in Preference Elicitation
University of Southampton（南安普顿大学）
Agentic-Priors 利用大语言模型的隐式知识构建先验，解决偏好 elicitation 的冷启动问题，在七个选择数据集上提升了冷启动准确率，优于无信息先验、AutoElicit 和上下文学习，价值集中于部署首批用户。
2026-10-16 cs.AI cs.MA
Gradient-based Optimization for Bayesian Preference Elicitation
Google Research（谷歌研究院）
随着推荐系统（RS）的交互性和会话性越来越强，有效的获取用户偏好的技术变得越来越重要。一个常见的和概念上有吸引力的贝叶斯标准选择查询是期望值的信息（EVOI）。不幸的是，它是计算上禁止构造查询与最大EVOI在RS与大项目空间。我们通过引入EVOI的连续公式来解决这个问题，EVOI是一个可微网络，可以使用现代机器学习（ML）计算框架（例如，TensorFlow、PyTorch）。我们利用这一点开发一种新的，可扩展的蒙特卡罗方法EVOI优化，这是更大的项目空间比方法需要明确枚举的项目可扩展性。虽然我们强调使用这种方法进行成对（或k-明智）的项目比较，我们也展示了我们的方法可以适应查询涉及的项目属性或“部分项目”的子集，这往往是更认知管理的用户。实验表明，我们的基于梯度的EVOI技术在几个领域实现了最先进的性能，同时扩展到大的项目空间。
2019-11-20 cs.AI cs.LG stat.ML
Generating Usage-related Questions for Preference Elicitation in Conversational Recommender Systems
University of Stavanger（斯塔万格大学）；Google UK（英国谷歌）
本文提出通过询问物品用途的隐式问题来获取对话式推荐系统中的用户偏好，并构建了众包标注数据集及四个问题生成模型，验证了该方法在有限数据下的有效性。
2025-04-08 cs.AI cs.CL cs.IR
Eliciting Worker Preference for Task Completion
NJIT（新泽西理工学院）；Univ. Grenoble Alpes, CNRS, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、信息学实验室）
目前的众包平台对工人反馈的支持很少。工人有时会被邀请发布自由文本，描述他们在完成任务时的经验和偏好。他们还可以使用Turker Nation1等论坛来交换任务和请求者的首选项。事实上，众包平台在很大程度上依赖于观察工人并隐含地推断他们的偏好。在这项工作中，我们认为，要求工人明确表明他们的喜好，改善他们的经验，在任务完成，因此，他们的贡献的质量。明确的启发确实可以帮助建立更准确的工人模型，以完成任务，捕捉工人的偏好不断变化的性质。我们设计了一个工人模型，其准确性通过请求对任务因素（如所需技能、任务报酬和任务相关性）的偏好来迭代提高。我们提出了一个通用的框架，开发有效的解决方案，在现实的情况下，并进行了广泛的实验，显示显式偏好诱导的好处，隐式的统计意义。
2018-01-10 cs.AI cs.DB
Critical Acclaim Orientation in Large Language Models: Evidence from Film Preference Elicitation
本研究以8种大语言模型为对象，通过200部电影的基准测试，发现模型普遍呈现评论赞誉导向，该导向随模型规模增强，且提示框架会影响评价排名。
2026-08-10 cs.AI cs.CY
Identifying two piecewise linear additive value functions from anonymous preference information
Artefact Research Center, France（法国制品研究中心）
本文提出了一种从匿名偏好信息中识别两个分段线性加法价值函数的方法，通过同时查询两个决策者来获取各自的价值函数。
2026-02-24 cs.AI
Local Utility Elicitation in GAI Models
University of Toronto（多伦多大学）
结构化效用模型对于复杂的多属性效用函数的有效表示和推导是必不可少的。广义加性独立性（GAI）模型提供了一种有吸引力的用户偏好结构模型，在简单性和适用性之间实现了平衡。虽然这种模型的表示和推理是相当好理解的，但从实践的角度来看，对这种模型的参数的推导研究较少。我们提出了一个程序，以引起GAI模型参数只使用“本地”的效用查询，而不是“全球”查询的全部结果。我们的本地查询充分利用GAI结构，并提供了一个健全的框架，扩展的启发过程中设置的效用参数的不确定性表示概率。我们描述了实验中使用的近视值的信息的方法，在一个大的GAI模型启发。
2012-07-04 cs.AI cs.GT
Contrastive Learning from Exploratory Actions: Leveraging Natural Interactions for Preference Elicitation
University of Southern California（南加利福尼亚大学）
本文提出 CLEA 方法，利用用户在机器人定制中的探索性动作作为自然标注信号，通过对比学习获取与用户偏好对齐的轨迹特征，并在用户研究中验证其优于自监督特征。
2025-01-02 cs.AI cs.HC cs.LG
Self-Exploring Language Models: Active Preference Elicitation for Online Alignment
Northwestern University（西北大学）；Microsoft（微软公司）；Peking University（北京大学）
本文提出自探索语言模型（SELM），通过双层优化主动探索高奖励响应，无需单独奖励模型，在指令遵循基准上显著提升性能。
2024-11-05 cs.AI cs.LG
