Bayesian reliability acceptance sampling plans for competing risks data under interval censoring
本文针对区间删失的独立竞争风险数据，利用贝叶斯方法及MLE渐近性质构建并优化可靠性验收抽样计划，给出算法与数值比较。
2025-10-19 stat.AP
Bayesian semiparametric modelling of contraceptive behavior in India via sequential logistic regressions
在印度，计划生育的特点是战略方案差异很大，包括针对具体方法的避孕目标、强制绝育和最近的无目标方法。随着时间的推移，计划生育政策的这些重大变化激发了人们对评估不同方案的有效性的极大兴趣，同时了解哪些人口亚群没有得到适当解决。目前的研究考虑了上述政策的具体方面，例如，包括与使用避孕药具的妇女选择绝育以外的其他避孕方法有关的因素。虽然这些分析产生了相关的见解，但它们未能提供对不同计划生育政策以及避孕选择背后的决定因素的全球概览。出于这种考虑，我们提出了一个贝叶斯半参数模型依赖于通过一组条件伯努利选择的多项式概率质量函数的重新参数化。连续的二元结构被定义为与印度目前的计划生育政策相一致，并与避孕选择的合理过程相一致。这种灵活的表述和仔细的重新参数化相结合，使得在一个单一的模型内对印度的不同政策和避孕偏好有一个更广泛和可解释的概览。
2017-07-31 stat.AP
Planning to Be Surprised: Optimal Bayesian Exploration in Dynamic Environments
IDSIA（达勒·莫尔人工智能研究所）
为了最大限度地取得成功，AGI通常需要探索其最初未知的世界。有没有一个最佳的方法来做到这一点？在这里，我们得到一个肯定的答案，为广泛的一类环境。
2011-03-29 cs.AI stat.ML
Bayesian emulation for optimization in multi-step portfolio decisions
本文讨论了金融时间序列中多步投资组合研究的贝叶斯仿真计算方法。“决策的贝叶斯仿真”涉及将决策分析问题的技术结构映射到纯合成“仿真”统计模型中的贝叶斯推断。这提供了访问标准的后验分析，模拟和优化方法，产生决策问题的间接解决方案。我们在时间序列投资组合分析中使用经济和心理相关的多步投资组合效用函数。多变量货币，商品和股票指数时间序列的研究说明了这种方法，并显示了贝叶斯仿真方法的一些实际效用和好处。
2016-07-06 stat.AP stat.ME
Scalable Decisions using a Bayesian Decision-Theoretic Approach
Amazon.com, Inc.（亚马逊公司）；Stanford University（斯坦福大学）
本文提出一种贝叶斯决策理论框架，通过整合多个目标和权衡，实现更高效和可扩展的决策制定。
2026-01-27 stat.AP stat.ME
PlaNet of the Bayesians: Reconsidering and Improving Deep Planning Network by Incorporating Bayesian Inference
Panasonic Corporation（松下公司）；Ritsumeikan University（立命馆大学）
在本文中，我们提出了一个扩展的深度规划网络（PlaNet），也被称为PlaNet的贝叶斯（PlaNet-Bayes）。在部分可观测的环境中对模型预测控制（MPC）的需求日益增长，在部分可观测的环境中，由于例如缺乏昂贵的传感器而无法获得完整的信息。PlaNet是实现这种潜在MPC的一种很有前途的解决方案，因为它用于通过基于基于模型的强化学习（MBRL）来训练状态空间模型，并在潜在空间中进行规划。然而，最近的国家的最先进的MBRR文献中提到的战略，如涉及到培训和规划的不确定性，没有被考虑，显着抑制培训性能。建议的扩展是使PlaNet的不确定性感知的贝叶斯推理的基础上，其中模型和动作的不确定性。潜在模型中的不确定性表示使用神经网络集成来近似地推断模型后验。最佳行动候选人的合奏也被用来捕捉多模态的不确定性的最优性。动作集合的概念依赖于一般变分推理MPC（VI-MPC）框架及其实例，轨迹采样概率动作集合（PaETS）。在本文中，我们扩展VI-MPC和PaETS，这最初是在以前的文献中介绍，以解决部分可观察的情况。我们实验比较连续控制任务的性能，并得出结论，我们的方法可以不断提高渐近性能相比，PlaNet。
2020-03-01 cs.LG cs.NE cs.RO
Variance-Based Rewards for Approximate Bayesian Reinforcement Learning
University of Michigan（密歇根大学）
探索-利用困境是强化学习（RL）的核心挑战之一。贝叶斯强化学习通过以环境先验分布的形式为智能体提供信息来解决这个难题;然而，完全贝叶斯规划是棘手的。使用平均MDP进行规划是贝叶斯规划的一种常见近视近似。我们推导出一种新的奖励奖金，这是一个功能的后验分布的环境，当添加到奖励计划与平均MDP，结果在一个代理，有效地探索。虽然我们的方法是类似于现有的方法，当给定一个无信息或非结构化的先验，与现有的方法不同，我们的方法可以利用结构化的先验。我们证明了我们的方法导致多项式样本的复杂性，并实证证明了其在结构化探索任务中的优势。
2012-03-15 cs.AI cs.LG stat.ML
Optimal Inspection and Maintenance Planning for Deteriorating Structural Components through Dynamic Bayesian Networks and Markov Decision Processes
University of Liege（列日大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Aalborg University（奥尔堡大学）
土木和海事工程系统，尤其是从桥梁到海上平台和风力涡轮机，必须得到有效的管理，因为它们在整个使用寿命期间都暴露于老化机制，如疲劳或腐蚀。确定最佳的检查和维修政策需要解决一个复杂的顺序决策问题的不确定性，有效地控制与结构故障相关的风险的主要目标。为了解决这种复杂性，基于风险的检查规划方法，通常由动态贝叶斯网络支持，评估一组预定义的启发式决策规则，以合理地简化决策问题。然而，所得到的策略可能会受到决策规则定义中考虑的有限空间的影响。部分可观测马尔可夫决策过程（POMDPs）为不确定行为结果和观测下的随机最优控制提供了一种原则性的数学方法，其中最优行为被规定为整个动态更新的状态概率分布的函数。在本文中，我们结合动态贝叶斯网络与POMDPs在一个联合框架的最佳检查和维修规划，我们提供了制定无限和有限的地平线POMDPs在结构可靠性的背景下。所提出的方法的实施和测试的情况下，受到疲劳退化的结构部件，展示了最先进的点为基础的POMDP求解器的能力，用于解决潜在的规划优化问题。在数值实验中，POMDP和基于竞争的政策进行了彻底的比较，结果表明，POMDP实现大幅降低成本相比，他们的同行，即使是传统的问题设置。
2021-11-28 cs.AI cs.SY eess.SY
Object-oriented Bayesian networks for a decision support system for antitrust enforcement
Università Roma Tre（罗马第三大学）；Università di Bologna（博洛尼亚大学）
我们研究的经济决策问题的演员是两个公司和反垄断机构，其主要任务是监测和防止公司的潜在的反竞争行为及其对市场的影响。反托拉斯管理局的决策过程是使用贝叶斯网络模型的关系结构和模型的参数估计从管理局本身提供的数据集。一些影响这一决策过程的经济变量也包括在模型中。我们分析了反垄断机构的监督如何影响企业的合作战略。企业的战略建模为一个重复的囚徒困境，使用面向对象的贝叶斯网络。我们展示了如何整合企业的决策过程和外部市场信息，可以用这种方式建模。各种决策方案和战略说明。
2013-12-06 cs.AI stat.AP
Gaussian Process Planning with Lipschitz Continuous Reward Functions: Towards Unifying Bayesian Optimization, Active Learning, and Beyond
National University of Singapore（新加坡国立大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种新的非近视自适应高斯过程规划（GPP）框架，赋予了一般类的Lipschitz连续奖励函数，可以统一一些主动学习/传感和贝叶斯优化标准，并提供从业者一些灵活性，以指定他们所需的选择，定义新的任务/问题。特别是，它利用了一个原则性的贝叶斯顺序决策问题的框架，共同和自然优化的勘探开发权衡。一般来说，由于候选观测的不可数集合，所得到的诱导GPP策略不能精确地导出。因此，我们在这里的工作的一个关键贡献在于利用Lipschitz连续性的奖励函数来解决非近视自适应ε-最优GPP（ε-GPP）的政策。为了实时规划，我们进一步提出了一个渐进最优的，分支和边界的任何时候都有性能保证的ε-GPP的变体。我们实证证明了我们的ε-GPP政策的有效性，它的任何时候都在贝叶斯优化和能量收集任务的变体。
2015-11-21 cs.AI cs.LG cs.RO
Bayesian Sample Size Determination for Planning Hierarchical Bayes Small Area Estimates
本文设计了一种基于决策风险的分层模型小区域估计的完全贝叶斯样本量确定方法。围绕所需的最大后验方差目标指定的新损失函数实现了估计可靠性的传统官方统计标准（变异系数高达20%）。这种方法附带一种高效的二分搜索算法，可识别在此阈值约束下生成小面积估计所需的最小有效样本量。然后，可使用传统的调查抽样设计工具，利用由此产生的有效样本量目标，规划适当的数据收集。这种方法是说明在一个案例研究的小面积流行的生活限制健康问题的6个年龄组在英格兰北部的1,956个小地区，使用最近开发的集成嵌套拉普拉斯近似方法的空间广义线性混合层次模型。
2018-02-26 stat.ME
An Outline of the Bayesian Decision Theory
本文对贝叶斯决策理论作了一个概述。
2015-09-28 stat.OT
Constrained Bayesian Experimental Design via Online Planning
ELLIS Institute Finland（芬兰ELLIS研究所）；Department of Computer Science, Aalto University, Finland（芬兰阿尔托大学计算机科学系）；Department of Computer Science, University of Manchester, UK（英国曼彻斯特大学计算机科学系）
提出一种结合离线预训练摊销策略和后验网络与在线多步前瞻规划（场景树）的方法，以在动态约束下优化贝叶斯实验设计，相比现有方法获得更优信息序列且计算开销适中。
2026-05-26 cs.LG stat.ML
Some comments about James Watson's and Chris Holmes' "Approximate Models and Robust Decisions": Nonparametric Bayesian clay for robust decision bricks
本文讨论了Watson和Holmes（2016）以及他们对更稳健的贝叶斯决策的支持。虽然我们承认并赞扬作者为贝叶斯鲁棒性设定了新的和包罗万象的原则，我们也欣赏这些原则在决策理论参考中的强大锚定，但我们仍然不确定这些原则在多大程度上可以应用于二元决策之外。我们还想知道Kullback-Leibler邻域的最终相关性，以增强鲁棒性，并有利于沿非参数轴的扩展。
2016-04-09 stat.CO stat.ME
Sample Complexity and Decision-Theoretic Guarantees for Bayesian Model Averaging over Decision Trees with Catalan-Exponential Priors
School of Computing and Engineering University of Bedfordshire, Luton, UK（计算与工程学院贝德福德郡大学，卢顿，英国）
针对具有Dirichlet-Multinomial叶模型和Catalan指数树大小先验的贝叶斯决策树，建立了理性承诺阈值的完整非渐近理论，回答了贝叶斯模型平均权重何时蕴含足够认知信息以证明对平均分布的承诺利用是合理的。
2026-06-02 cs.LG stat.ML
Bayesian Predictive Decision Synthesis
该研究提出贝叶斯预测决策综合（BPDS）方法，以决策导向视角拓展模型不确定性研究，通过新颖的主观贝叶斯模型加权视角，将决策分析结果整合到多模型评估比较中，并在回归设计、金融预测等场景验证了有效性。
2023-05-05 math.ST stat.ME stat.TH
A Bayesian Decision Tree Algorithm
UBS（瑞银集团（UBS））
贝叶斯决策树以其概率可解释性而闻名。然而，它们的建造有时可能是昂贵的。在这篇文章中，我们提出了一个通用的贝叶斯决策树算法适用于回归和分类问题。该算法不应用马尔可夫链蒙特卡罗，不需要修剪步骤。虽然可以构造一个加权概率树空间，但我们发现一个特定的树，贪婪模态树（GMT），解释了数值示例中包含的大部分信息。这种方法似乎与随机森林类似。
2020-09-22 cs.LG stat.ML
Health improvement framework for planning actionable treatment process using surrogate Bayesian model
Kyowa Hakko Bio Co., Ltd.（协和发酵生物株式会社）；Kyoto University（京都大学）；Hirosaki University（弘前大学）
基于个人特征的治疗临床决策导致有效的健康改善。机器学习（ML）已经成为根据综合患者信息进行诊断支持的主要关注点。然而，剩下的突出问题是在临床情况下的客观治疗过程的发展。本研究提出了一种新的框架，以数据驱动的方式规划治疗过程。该框架的一个关键点是通过使用替代贝叶斯模型以及高性能非线性ML模型来评估个人健康改善的“可操作性”。我们首先从使用合成数据集的方法论角度评估了该框架。随后，该框架被应用于包括来自3，132名参与者的数据的实际健康检查数据集，以改善个人水平的收缩压值。我们证实，计算的治疗过程是可行的，并与降低血压的临床知识一致。这些结果表明，我们的框架可以促进医疗领域的决策，为临床医生提供更深入的见解。
2020-11-13 cs.AI cs.LG stat.ML
Compound decisions and empirical Bayes via Bayesian nonparametrics
University of Chicago（芝加哥大学）
本文通过贝叶斯非参数方法研究高斯序列复合决策问题，证明基于狄利克雷过程的估计器可实现接近最优的懊悔界，并展示后验均值贝叶斯规则的可接受性。
2026-09-10 econ.EM math.ST stat.ME
Fact Sheet Research on Bayesian Decision Theory
在这份情况说明书中，我们给出了贝叶斯决策论的一些初步研究结果。这个理论在过去的两年里一直在构建中。但是，一开始作为一个足够直观的想法，现在似乎有更基本的东西的素质。
2015-01-26 math.ST q-fin.GN stat.TH
Variational Bayesian Decision-making for Continuous Utilities
Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所 HIIT）；University of Helsinki（赫尔辛基大学）
贝叶斯决策理论概述了一个严格的框架，使最佳决策的基础上最大限度地提高预期效用的模型后验。然而，从业者往往没有获得完整的后验和诉诸近似推理策略。在这种情况下，在执行推理时考虑最终的决策任务允许校准后验近似以最大化效用。我们提出了一个自动流水线，co-opts连续效用到变分推断算法，占决策。我们提供了实用的策略，近似和最大化的增益，并根据经验证明一致的改进时，校准近似特定的实用程序。
2019-10-27 cs.LG stat.ML
On the Statistical Consistency of Risk-Sensitive Bayesian Decision-Making
我们在贝叶斯框架下研究数据驱动的决策问题，其中贝叶斯风险中的期望被风险敏感的熵风险度量所取代。我们专注于计算的后验分布是棘手的问题，在现代应用程序中的一个典型的情况下，大型数据集和复杂的数据生成模型。我们利用熵风险度量的双重表示引入一种新的风险敏感变分贝叶斯（RSVB）框架，用于联合计算风险敏感后验近似和相应的决策规则。建议RSVB框架可以用来提取计算方法做风险敏感的近似贝叶斯推理。我们表明，我们的一般框架包括两个著名的计算方法做近似贝叶斯推理即天真VB和损失校准VB。我们还研究了这些计算近似对推断的决策规则和值的预测性能的影响。我们计算了RSVB近似后验的收敛速度以及相应的最优值和决策规则。我们说明了我们的理论研究结果在参数和非参数设置的帮助下，三个例子：单一和多产品报童模型和高斯过程分类。
2021-09-09 math.OC math.PR math.ST
Decision-theoretic justifications for Bayesian hypothesis testing using credible sets
在贝叶斯统计中，精确点原假设$θ=θ_0$可以通过检查$θ_0$是否包含在可信集中来检验.这允许测试$θ=θ_0$，而不必对假设施加先验概率。虽然这种可信集的反演在贝叶斯推理中有很长的历史，但它们因缺乏决策理论的理由而受到批评。我们认为，这些测试有许多优势，比标准的贝叶斯检验，使用点质量概率的原假设。通过研究一个具有方向性结论的三判定问题，我们给出了中心可信区间的反演的决策理论证明，并在一个特殊情况下证明了HPD集。通过解释证明中所使用的损失函数，讨论了基于可信集的检验在什么情况下适用。然后，我们给出了一些理由，使用可信集测试复合假设时，可信集的基础上，在这种情况下，测试符合标准测试。
2012-12-17 math.ST stat.TH
Interaction Detection with Bayesian Decision Tree Ensembles
基于贝叶斯决策树集成的方法已被证明在构建高质量预测方面很有价值，并且在某些设置中特别有吸引力，因为它们鼓励低阶交互效应。尽管为了预测的目的而适应低阶相互作用的存在，我们表明贝叶斯决策树集合通常是反保守的，以进行相互作用检测。我们通过引入狄利克雷过程森林（DP森林）来解决这个问题，该森林通过对树进行聚类来利用低阶相互作用的存在，从而使同一聚类内的树专注于检测特定的相互作用。我们在模拟和基准数据上表明，相对于现有的用于检测低阶相互作用的相互作用检测技术，DP森林表现良好，获得了非常低的假阳性和假阴性率，同时使用可比的计算预算保持相同的预测性能。
2018-09-23 stat.ME
Bayesian Reinforcement Learning via Deep, Sparse Sampling
Chalmers University of Technology（查尔姆斯理工大学）；University of Oslo（奥斯陆大学）
我们使用有效的基于模型的在线规划解决贝叶斯强化学习的问题。我们提出了一个无乐观的贝叶斯自适应算法，以诱导更深，更稀疏的探索与理论界的性能相对于贝叶斯最优策略，具有较低的计算复杂性。主要的新颖性是使用候选策略生成器，在规划树中生成长期选项（超过信念），这使我们能够创建更稀疏和更深的树。在不同环境下的实验结果表明，与现有算法相比，该算法不仅在计算效率上更高，而且在离散环境下获得了更高的回报.
2020-06-27 cs.AI cs.LG stat.ML
Correcting Predictions for Approximate Bayesian Inference
Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所 HIIT）；University of Helsinki（赫尔辛基大学）
贝叶斯模型量化不确定性，并促进下游应用的最佳决策。然而，对于大多数模型，从业者被迫使用近似推理技术，由于不正确的后验预测分布，导致次优决策。我们提出了一种新的方法，通过改变决策过程来纠正后验推理的不准确性。我们训练一个单独的模型，使最佳决策下的近似后验，结合可解释的贝叶斯建模与优化的直接预测精度的原则性的方式。该解决方案是一般适用于作为一个插件模块的预测决策的任意概率程序，无论后验推理策略。我们证明了经验的方法在几个问题，确认其潜力。
2019-09-11 cs.LG stat.ML
Post-hoc loss-calibration for Bayesian neural networks
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；IBM Research（IBM研究院）
贝叶斯决策理论提供了一个优雅的框架下采取最佳行动的不确定性时，易于处理的后验分布。然而，现代贝叶斯模型通常涉及难以处理的后验，这些后验是用可能是粗糙的替代品近似的。这种困难产生了损失校准技术，旨在学习有利于高效用决策的后验近似。在本文中，专注于贝叶斯神经网络，我们开发的方法来纠正近似后验预测分布，鼓励他们喜欢高效用的决定。与以前的工作相比，我们的方法是不可知的近似推理算法的选择，允许有效的测试时间决策，通过摊销，并根据经验产生更高质量的决策。我们通过跨越各种任务和数据集的对照实验证明了我们方法的有效性。
2021-06-13 cs.LG stat.ML
Bayesian--AI Fusion for Epidemiological Decision Making: Calibrated Risk, Honest Uncertainty, and Hyperparameter Intelligence
Department of Statistics, Visva–Bharati University（统计系，维萨-巴哈蒂大学）；S. N. Bose National Centre for Basic Sciences（S. N. Bose基础科学国家中心）
针对流行病学AI模型不确定性校准不足、贝叶斯方法难与现有AI工作流整合的问题，本文提出融合贝叶斯预测与贝叶斯超参数优化的双层框架，经多数据集验证可输出校准风险、优化模型性能，支撑流行病学决策。
2025-11-15 cs.LG stat.ML
Decision Making under Model Misspecification: DRO with Robust Bayesian Ambiguity Sets
University of Warwick（华威大学）
本文提出DRO-RoBAS方法，通过以鲁棒后验预测分布为中心的最大均值差异模糊集处理模型误设问题，在报童和投资组合问题上取得优于现有贝叶斯及经验DRO方法的样本外表现。
2025-05-06 cs.LG stat.ML
Long-tailed Classification from a Bayesian-decision-theory Perspective
Purdue University（普渡大学）
长尾分类是一个挑战，因为它的严重不平衡的类概率和尾部敏感性风险与不对称的错误预测成本。最近的尝试使用了重新平衡损失和集成方法，但它们在很大程度上是启发式的，严重依赖于经验结果，缺乏理论解释。此外，现有的方法忽略了决策损失，其特征在于与尾类相关的不同成本。本文从贝叶斯决策理论的角度提出了一个一般性和原则性的框架，它统一了现有的技术，包括再平衡和集成方法，并提供了理论证明，他们的有效性。从这个角度来看，我们得到一个新的目标的基础上的综合风险和贝叶斯深度集成方法，以提高所有类的准确性，特别是“尾巴”。此外，我们的框架允许任务自适应决策损失，提供可证明的最佳决策，在不同的任务场景，以及量化不确定性的能力。最后，我们进行了全面的实验，包括标准分类，尾部敏感的分类与一个新的假头率度量，校准，和消融研究。我们的框架显着改进了当前的SOTA，即使是在像ImageNet这样的大规模真实世界数据集上。
2023-03-21 cs.CV cs.LG stat.ML
RJHMC-Tree for Exploration of the Bayesian Decision Tree Posterior
本文提出RJHMC-Tree方法，利用哈密顿蒙特卡洛结合似然几何结构高效探索贝叶斯决策树后验，并在标准数据集上验证其在预测准确率、接受率和树复杂度方面的优势。
2023-12-04 cs.LG stat.CO stat.ML
Estimating the Sampling Distribution of Posterior Decision Summaries in Bayesian Clinical Trials
本文提出利用后验分布大样本理论建立后验决策摘要抽样分布的参数模型，通过少量模拟场景估计参数，从而在纳入试验假设不确定性的同时显著降低贝叶斯临床试验设计的计算负担。
2024-04-28 stat.ME
Dynamic Bayesian Combination of Multiple Imperfect Classifiers
分类器组合方法需要充分利用多个不完美分类器的输出，以实现更高精度的分类。在许多情况下，例如当需要结合人类决策时，基本决策的可靠性可能会有很大差异。这种不确定组合的贝叶斯方法使我们能够推断出个体之间的性能差异，并在训练数据稀疏时结合有关其能力的任何可用先验知识。在本文中，我们探讨贝叶斯分类器组合，使用计算效率的变分贝叶斯推理框架。我们将该方法应用于一个大型公民科学项目Galaxy Zoo Supernovae的真实数据，并表明我们的方法远远优于其他已建立的不完美决策组合方法。我们继续分析假定的社区结构的决策者，根据他们推断的决策策略，并表明自然群体的形成。最后，我们提出了一个动态贝叶斯分类器组合的方法，并调查随着时间的推移在基础分类器的性能变化。
2012-06-08 astro-ph.IM math.ST stat.TH
Targeted Active Learning for Bayesian Decision-Making
Aalto University（阿尔托大学）；University of Manchester（曼彻斯特大学）
在监督学习中，主动学习通常用于获取信息数据点的标签，以样本有效的方式最大限度地提高准确性。然而，当结果用于决策时，例如在个性化医疗或经济学中，最大限度地提高准确性并不是最终目标。我们认为，当连续获取样本时，分离学习和决策是次优的，我们引入了一个主动学习策略，该策略考虑到了线下决策问题。具体来说，我们引入了一种新的主动学习标准，最大限度地提高预期的信息增益的后验分布的最优决策。我们将我们的目标主动学习策略与模拟和真实数据上的现有替代方案进行了比较，并在决策准确性方面表现出更好的性能。
2021-10-20 cs.AI cs.LG stat.ML
GS-BART: Bayesian Additive Regression Trees with Graph-split Decision Rules
GS-BART提出一种基于图分裂规则的贝叶斯加性决策树方法，通过编码图拓扑信息并设计可扩展MCMC算法，在空间和网络数据回归与分类中优于传统集成树和高斯过程模型。
2025-09-08 stat.ME
Comprehensive decision-strategy space exploration for efficient territorial planning strategies
TETIS；Univ Montpellier（蒙彼利埃大学）；AgroParisTech（巴黎高科农业学院）；Cirad（法国农业发展研究中心）；CNRS（法国国家科学研究中心）；INRAE（法国国家农业食品与环境研究院）
基于GIS的多准则决策分析是一个著名的决策支持工具，可以在各种各样的情况下使用。在若干行为者持不同、有时甚至是相互矛盾的观点，必须就土地使用开发作出决定的情况下，这对领土规划特别有用。虽然在最近的文献中已经广泛地研究了用于表示标准的相对重要性的权重的影响，但是用于组合标准的顺序权重的影响很少被研究。本文提出了一种空间敏感性分析，以评估顺序权重确定的影响，基于GIS的多准则分析有序加权平均。我们提出了一种方法的基础上有效的探索的决策策略空间定义的风险和权衡的决策过程中的水平。我们说明了我们的方法与土地利用规划过程中，在法国南部。其目标是找到适合城市发展的地区，同时保护绿地及其相关的生态系统服务。生态系统服务方法确实有可能扩大传统的生态系统规划的范围，将基于生态系统的惠益，包括社会和经济惠益、绿色基础设施和生物物理参数纳入城市和国土规划。我们表明，在这种特定的情况下，决策策略空间可以分为四个集群。每一个都与一张地图相关联，该地图总结了用于确定城市发展潜力地区的平均空间适宜性分布。我们还展示了空间方差内聚类分析的相关性，以解开风险和权衡值之间的关系。最后，我们进行了一个网站的适合性排名分析，以评估四个检测到的集群之间的关系。
2020-07-04 cs.AI math.OC stat.AP
Predictive Decision Synthesis for Portfolios: Betting on Better Models
本文提出贝叶斯预测决策综合（BPDS）方法，在模型不确定性下对金融时间序列进行序贯学习、预测与投资组合再投资决策，并通过汇率预测与再平衡案例证明其优于传统贝叶斯分析。
2024-04-30 q-fin.PM stat.AP stat.ME
