ترجمه فارسی مقاله متعادل کردن بهینه و تنوع: تصمیم گیری انسان محور از طریق گزینش مولد

چکیده

The surge in data availability has inundated decision-makers with an overwhelming array of choices. While existing approaches focus on optimizing decisions based on quantifiable metrics, practical decision-making often requires balancing measurable quantitative criteria with unmeasurable qualitative factors embedded in the broader context. In such cases, algorithms can generate high-quality recommendations, but the final decision rests with the human, who must weigh both dimensions. We define the process of selecting the optimal set of algorithmic recommendations in this context as human-centered decision making. To address this challenge, we introduce a novel framework called generative curation, which optimizes the true desirability of decision options by integrating both quantitative and qualitative aspects. Our framework uses a Gaussian process to model unknown qualitative factors and derives a diversity metric that balances quantitative optimality with qualitative diversity. This trade-off enables the generation of a manageable subset of diverse, near-optimal actions that are robust to unknown qualitative preferences. To operationalize this framework, we propose two implementation approaches: a generative neural network architecture that produces a distribution $π$ to efficiently sample a diverse set of near-optimal actions, and a sequential optimization method to iteratively generates solutions that can be easily incorporated into complex optimization formulations. We validate our approach with extensive datasets, demonstrating its effectiveness in enhancing decision-making processes across a range of complex environments, with significant implications for policy and management.

چکیده به فارسی (ترجمه ماشینی)

افزایش در دسترس بودن داده ها ، تصمیم گیرندگان را با مجموعه ای از انتخابات قریب به اتفاق ، از بین برده است.در حالی که رویکردهای موجود بر بهینه سازی تصمیمات مبتنی بر معیارهای قابل اندازه گیری متمرکز است ، تصمیم گیری عملی اغلب نیاز به متعادل کردن معیارهای کمی قابل اندازه گیری با عوامل کیفی قابل اندازه گیری تعبیه شده در زمینه وسیع تر دارد.در چنین مواردی ، الگوریتم ها می توانند توصیه های با کیفیت بالا را ایجاد کنند ، اما تصمیم نهایی به انسان بستگی دارد ، که باید هر دو بعد را وزن کند.ما فرایند انتخاب مجموعه بهینه از توصیه های الگوریتمی را در این زمینه به عنوان تصمیم گیری انسان محور تعریف می کنیم.برای پرداختن به این چالش ، ما یک چارچوب جدید به نام تولید تولید را معرفی می کنیم که با ادغام هر دو جنبه کمی و کیفی ، مطلوبیت واقعی گزینه های تصمیم گیری را بهینه می کند.چارچوب ما از یک فرایند گاوسی برای مدل سازی عوامل کیفی ناشناخته استفاده می کند و یک متریک تنوع را به دست می آورد که بهینه سازی کمی را با تنوع کیفی متعادل می کند.این تجارت ، تولید زیر مجموعه قابل کنترل از اقدامات متنوع و تقریباً بهینه را که برای ترجیحات کیفی ناشناخته قوی هستند ، امکان پذیر می کند.برای عملیاتی کردن این چارچوب ، ما دو رویکرد پیاده سازی را پیشنهاد می کنیم: یک معماری شبکه عصبی تولیدی که توزیع $ π $ را تولید می کند تا به طور مؤثر مجموعه متنوعی از اقدامات نزدیک به حد مطلوب را نمونه برداری کند ، و یک روش بهینه سازی پی در پی برای ایجاد تکراری راه حل هایی که می توان به راحتی در آن گنجانیدفرمولاسیون بهینه سازی پیچیده.ما رویکرد خود را با مجموعه داده های گسترده تأیید می کنیم ، و اثربخشی آن را در تقویت فرآیندهای تصمیم گیری در طیف وسیعی از محیط های پیچیده ، با پیامدهای قابل توجهی برای سیاست و مدیریت نشان می دهیم.