已经提出了概率语言学期来处理提供的语言评估中的概率分布。但是，由于它具有一些基本缺陷，决策者通常很难获得合理的语言评估对团体决策的信息。此外，权重信息在动态信息融合和决策过程中起着重要作用。但是，有很少的研究方法可以随时间确定动态属性权重。在本文中，我提出了双模糊概率间隔语言术语集（DFPilts）的概念。首先，模糊语义集成，DFPilts定义，其偏好关系，定义了一些基本算法和聚合运算符。然后，开发了一种具有网络的模糊语言马尔可夫矩阵。然后，开发了一种基于距离测量和信息熵的权重确定方法，从而减少DFPilpr的不一致并获得基于组共识的集体优先级向量。最后，开发了基于聚合的方法，以及来自财务风险的最佳投资情况用于说明DFPilts和决策方法在多标准决策中的应用。

本文为多属性多目标组决策提供了一种具有未知权重和属性的权重的新工具。基于Ager运营商和具有未知权重的评论员的批评方法，提出了间隔值的广义正交模糊组决策方法。该方法集成了Yager运算符，评论家，WASPA和间隔值广义正交模糊组。它的优点是允许决策者更大的自由，避免由于决策者的体重而偏差，并产生准确的评估。该研究包括：扩展间隔值广义测量方法，以进行相似性测量和决策方法的比较和应用;开发新的评分功能，用于比较间隔值广义正交模糊数以及进一步的现有研究。建议的间隔值加权平均运算符（IVQ-ROFYWA）和YAGR加权几何平均算子（IVQ-ROFYWG）用于信息聚集。批评批评者结合了评论家和黄蜂的优势，这不仅在单一决定中工作，而且还担任集团决定的基础。关于决策者的重量矩阵的深入研究克服了整个决定的缺点，并重视决策者的信息聚集。最后，组决策算法用于高血压风险管理。结果与决策者的意见一致。实践和案例分析证明了本文提出的方法的有效性。与此同时，它与其他操作员和决策方法进行比较，证明该方法有效可行。

犹豫不决的模糊语言偏好关系（HFLPR）是有意义的，因为它为不确定性提供了意见表达的有效方法。为了提高HFLPR决策理论，本文介绍了一种基于可接受的一致性和共识测量与HFLPRS组决策的算法，涉及（1）定义犹豫不决的模糊语言几何一致性指数（HFLGCI）并提出过程对于HFLPR的一致性检查和不一致的不一致; （2）根据原始个人HFLPRS与整体完美HFLPR之间的相似性衡量组共识，然后建立共识的程序，确保包括决策者重量的确定。提出的两项程序的收敛性和单调性已被证明。进一步进行一些实验以研究所定义的HFLGCI的临界值，并进行比较分析以显示所提出的算法的有效性。给出了有关风险投资指导基金的绩效评估的案例，以说明所提出的算法的可用性。作为我们工作的应用，最终为决策者提供了在线决策门户，以利用所提出的算法来解决决策问题。

决策者可以通过间隔估值的Q-RONG Orthopair模糊集（IVQ-ROF）来评估更灵活，该模糊套装（IVQ-ROF）提供模糊决策更多的应用空间。同时，Choquet Integralses非添加性集合功能（模糊测量）直接描述属性之间的交互。特别是，属性之间存在大量实际问题。因此，本文提出了相关运营商和组决策 - 制作方法基于间隔值Q-RONG Orthopair模糊Set Choquet Integral.dirst，intervalglued Q-rung orthopair模糊Choquet整体平均运算符（IVQ-rofca）和间隔值q-rung orthopair模糊choquet整体几何算子（ IVQ-ROFCG）被致敏感，并证明了它们的基本性质。繁多，开发了基于IVQ-ROFCA和IVQ-ROFCG的几个运算符。然后，开发了一种基于IVQ-ROFCA的组决策方法，可以解决归因于属性之间的相互作用的决策。最后，通过实施高血压警告管理系统，结果显示了运营商和组决策 - 本文提出的制造方法可以处理复杂的决策情况，决策结果与医生的诊断结果一致.OREOVER，与其他运营商结果的比较表明，建议的运营商和组决策方法表明是正确且有效的，决策结果不会受到Q值的变化的影响。

本文提出了一个基于对MCDM问题的概率解释的贝叶斯框架，并涵盖了几种众所周知的多准则决策（MCDM）方法。由于贝叶斯模型的灵活性，该拟议的框架可以以统计优雅的方式解决MCDM中的几个长期存在的基本挑战，包括小组决策问题和标准相关性。同样，该模型可以在决策者（DMS）的偏好（例如正常和三角形分布以及间隔偏好）的偏好（DMS）中适应不同形式的不确定性。此外，开发了一个概率混合模型，该模型可以将DMS分为几个详尽的类别。概率排名方案也是针对标准和替代方案设计的，它标识了一个标准/替代方案比基于DM（S）偏好更重要的程度。该实验在几个数字示例上验证了所提出的框架的结果，并与其他方法相比突出了其显着特征。

在时间序列预测的各种软计算方法中，模糊认知地图（FCM）已经显示出显着的结果作为模拟和分析复杂系统动态的工具。 FCM具有与经常性神经网络的相似之处，可以被分类为神经模糊方法。换句话说，FCMS是模糊逻辑，神经网络和专家系统方面的混合，它作为模拟和研究复杂系统的动态行为的强大工具。最有趣的特征是知识解释性，动态特征和学习能力。本调查纸的目标主要是在文献中提出的最相关和最近的基于FCCM的时间序列预测模型概述。此外，本文认为介绍FCM模型和学习方法的基础。此外，该调查提供了一些旨在提高FCM的能力的一些想法，以便在处理非稳定性数据和可扩展性问题等现实实验中涵盖一些挑战。此外，具有快速学习算法的FCMS是该领域的主要问题之一。

Ranking intuitionistic fuzzy sets with distance based ranking methods requires to calculate the distance between intuitionistic fuzzy set and a reference point which is known to have either maximum (positive ideal solution) or minimum (negative ideal solution) value. These group of approaches assume that as the distance of an intuitionistic fuzzy set to the reference point is decreases, the similarity of intuitionistic fuzzy set with that point increases. This is a misconception because an intuitionistic fuzzy set which has the shortest distance to positive ideal solution does not have to be the furthest from negative ideal solution for all circumstances when the distance function is nonlinear. This paper gives a mathematical proof of why this assumption is not valid for any of the non-linear distance functions and suggests a hypervolume based ranking approach as an alternative to distance based ranking. In addition, the suggested ranking approach is extended as a new multicriteria decision making method, HyperVolume based ASsessment (HVAS). HVAS is applied for multicriteria assessment of Turkey's energy alternatives. Results are compared with three well known distance based multicriteria decision making methods (TOPSIS, VIKOR, and CODAS).

The Interval-valued intuitionistic fuzzy sets (IVIFSs) based on the intuitionistic fuzzy sets combines the classical decision method is in its research and application is attracting attention. After comparative analysis, there are multiple classical methods with IVIFSs information have been applied into many practical issues. In this paper, we extended the classical EDAS method based on cumulative prospect theory (CPT) considering the decision makers (DMs) psychological factor under IVIFSs. Taking the fuzzy and uncertain character of the IVIFSs and the psychological preference into consideration, the original EDAS method based on the CPT under IVIFSs (IVIF-CPT-MABAC) method is built for MAGDM issues. Meanwhile, information entropy method is used to evaluate the attribute weight. Finally, a numerical example for project selection of green technology venture capital has been given and some comparisons is used to illustrate advantages of IVIF-CPT-MABAC method and some comparison analysis and sensitivity analysis are applied to prove this new methods effectiveness and stability.

对不确定性的深入了解是在不确定性下做出有效决策的第一步。深度/机器学习（ML/DL）已被大大利用，以解决处理高维数据所涉及的复杂问题。但是，在ML/DL中，推理和量化不同类型的不确定性的探索少于其他人工智能（AI）领域。特别是，自1960年代以来，在KRR上已经研究了信仰/证据理论，以推理并衡量不确定性以提高决策效率。我们发现，只有少数研究利用了ML/DL中的信念/证据理论中的成熟不确定性研究来解决不同类型的不确定性下的复杂问题。在本调查论文中，我们讨论了一些流行的信念理论及其核心思想，这些理论涉及不确定性原因和类型，并量化它们，并讨论其在ML/DL中的适用性。此外，我们讨论了三种主要方法，这些方法在深度神经网络（DNN）中利用信仰理论，包括证据DNN，模糊DNN和粗糙的DNN，就其不确定性原因，类型和量化方法以及其在多元化问题中的适用性而言。域。根据我们的深入调查，我们讨论了见解，经验教训，对当前最新桥接信念理论和ML/DL的局限性，最后是未来的研究方向。

人类具有使用语言信息（LI）的固有能力，即使它含糊不清和不精确。提出了用单词（CWW）计算来授予人类这种能力的计算系统。从各种CWW方法论的许多出版物中可以明显看出对CWW领域的兴趣。这些方法使用不同的方法来建模LI的语义。但是，据我们所知，有关这些方法论的文献大多是分散的，并没有为感兴趣的研究人员提供有关这些方法的概念和实用性的全面但温和的指南。因此，为了介绍基础和最先进的CWW方法论，我们以一种简洁但易于理解的方式提供了简洁但广泛的覆盖范围。我们认为，我们对CWW方法的高质量审查和介绍的简单性对于研究人员来说非常有用，尤其是那些首次开始使用CWW的人。我们还提供未来的研究指示，为有兴趣和积极进取的研究人员提供基础。

预测组合在预测社区中蓬勃发展，近年来，已经成为预测研究和活动主流的一部分。现在，由单个（目标）系列产生的多个预测组合通过整合来自不同来源收集的信息，从而提高准确性，从而减轻了识别单个“最佳”预测的风险。组合方案已从没有估计的简单组合方法演变为涉及时间变化的权重，非线性组合，组件之间的相关性和交叉学习的复杂方法。它们包括结合点预测和结合概率预测。本文提供了有关预测组合的广泛文献的最新评论，并参考可用的开源软件实施。我们讨论了各种方法的潜在和局限性，并突出了这些思想如何随着时间的推移而发展。还调查了有关预测组合实用性的一些重要问题。最后，我们以当前的研究差距和未来研究的潜在见解得出结论。

我们概述了如何创建一种机制，该机制提供了一种最佳的方式，从任意的专家组中引发了一种任意逻辑命题的真理的可能性以及具有明确形式并解释这种概率的集体信息。也就是说，我们为开发自我解决的预测市场的可能性提供了强有力的论点，可以激励专家之间的直接信息交流。这样的系统尤其可以激励来自世界各地的专家以非常有效的方式共同解决科学或医学问题。在我们对真实专家的主要考虑中，他们不认为他们是贝叶斯人，其行为是由满足冯·诺伊曼（Von Neumann）的公用事业所描述的，仅在本地仅在本地公理。

Uncertainty is prevalent in engineering design, statistical learning, and decision making broadly. Due to inherent risk-averseness and ambiguity about assumptions, it is common to address uncertainty by formulating and solving conservative optimization models expressed using measure of risk and related concepts. We survey the rapid development of risk measures over the last quarter century. From its beginning in financial engineering, we recount their spread to nearly all areas of engineering and applied mathematics. Solidly rooted in convex analysis, risk measures furnish a general framework for handling uncertainty with significant computational and theoretical advantages. We describe the key facts, list several concrete algorithms, and provide an extensive list of references for further reading. The survey recalls connections with utility theory and distributionally robust optimization, points to emerging applications areas such as fair machine learning, and defines measures of reliability.

SMETS提出了具有可转移信念模型（TBM）中的决策层的有力概率转换（PPT），该决策层在没有更多信息的情况下认为，我们必须使用概率质量函数（PMF）做出决策。在本文中，通过在层次假设空间（HHS）中引入因果关系，提出了信仰进化网络（BEN）和全部因果关系。基于BEN，我们从信息融合视图中解释了PPT，并提出了一种称为完全因果关系概率转化（FCPT）的新概率转换（PT）方法，该方法在双标准评估下具有更好的性能。此外，我们启发性地提出了一种基于FCPT的新概率融合方法。与Dempster组合规则（DRC）相比，在融合相同的证据时，提出的方法具有更合理的结果。

We review clustering as an analysis tool and the underlying concepts from an introductory perspective. What is clustering and how can clusterings be realised programmatically? How can data be represented and prepared for a clustering task? And how can clustering results be validated? Connectivity-based versus prototype-based approaches are reflected in the context of several popular methods: single-linkage, spectral embedding, k-means, and Gaussian mixtures are discussed as well as the density-based protocols (H)DBSCAN, Jarvis-Patrick, CommonNN, and density-peaks.

Virtually all machine learning tasks are characterized using some form of loss function, and "good performance" is typically stated in terms of a sufficiently small average loss, taken over the random draw of test data. While optimizing for performance on average is intuitive, convenient to analyze in theory, and easy to implement in practice, such a choice brings about trade-offs. In this work, we survey and introduce a wide variety of non-traditional criteria used to design and evaluate machine learning algorithms, place the classical paradigm within the proper historical context, and propose a view of learning problems which emphasizes the question of "what makes for a desirable loss distribution?" in place of tacit use of the expected loss.

大量的数据和创新算法使数据驱动的建模成为现代行业的流行技术。在各种数据驱动方法中，潜在变量模型（LVM）及其对应物占主要份额，并在许多工业建模领域中起着至关重要的作用。 LVM通常可以分为基于统计学习的经典LVM和基于神经网络的深层LVM（DLVM）。我们首先讨论经典LVM的定义，理论和应用，该定义和应用既是综合教程，又是对经典LVM的简短申请调查。然后，我们对当前主流DLVM进行了彻底的介绍，重点是其理论和模型体系结构，此后不久就提供了有关DLVM的工业应用的详细调查。上述两种类型的LVM具有明显的优势和缺点。具体而言，经典的LVM具有简洁的原理和良好的解释性，但是它们的模型能力无法解决复杂的任务。基于神经网络的DLVM具有足够的模型能力，可以在复杂的场景中实现令人满意的性能，但它以模型的解释性和效率为例。旨在结合美德并减轻这两种类型的LVM的缺点，并探索非神经网络的举止以建立深层模型，我们提出了一个新颖的概念，称为“轻量级Deep LVM（LDLVM）”。在提出了这个新想法之后，该文章首先阐述了LDLVM的动机和内涵，然后提供了两个新颖的LDLVM，并详尽地描述了其原理，建筑和优点。最后，讨论了前景和机会，包括重要的开放问题和可能的研究方向。

历史流程表现出显着的多样性。尽管如此，学者们长期以来一直试图识别模式，并将历史行动者分类和对一些成功的影响。随机过程框架提供了一种结构化方法，用于分析大型历史数据集，允许检测有时令人惊讶的模式，鉴定内源性和外源对过程的相关因果作用者，以及不同历史案例的比较。随机过程的数据，分析工具和组织理论框架的组合使历史和考古中的传统叙事方法补充了传统的叙事方法。

由于数据量增加，金融业的快速变化已经彻底改变了数据处理和数据分析的技术，并带来了新的理论和计算挑战。与古典随机控制理论和解决财务决策问题的其他分析方法相比，解决模型假设的财务决策问题，强化学习（RL）的新发展能够充分利用具有更少模型假设的大量财务数据并改善复杂的金融环境中的决策。该调查纸目的旨在审查最近的资金途径的发展和使用RL方法。我们介绍了马尔可夫决策过程，这是许多常用的RL方法的设置。然后引入各种算法，重点介绍不需要任何模型假设的基于价值和基于策略的方法。连接是用神经网络进行的，以扩展框架以包含深的RL算法。我们的调查通过讨论了这些RL算法在金融中各种决策问题中的应用，包括最佳执行，投资组合优化，期权定价和对冲，市场制作，智能订单路由和Robo-Awaring。

经验丰富的用户通常在解决现实世界优化问题方面具有有用的知识和直觉。用户知识可以作为可变关系的配方，以帮助优化算法更快地找到良好的解决方案。此类间相互作用也可以自动从优化运行中的中间迭代中发现的高性能解决方案中自动学习 - 一种称为Innovization的过程。如果用户对这些关系进行审查，则可以在新生成的解决方案中执行，以将优化算法引导到搜索空间中实际上有希望的区域。对于大规模问题，这种可变关系的数量可能很高，就会出现挑战。本文提出了一个基于交互式知识的进化多目标优化（IK-EMO）框架，该框架将隐藏的可变关系提取为从不断发展的高性能解决方案中的知识，与用户共享它们以接收反馈，并将其应用于优化提高其有效性的过程。知识提取过程使用系统而优雅的图形分析方法，该方法与变量数量很好地缩放。在三个大规模的现实世界工程设计问题上证明了拟议的IK-EMO的工作。提出的知识提取过程和高性能解决方案的实现的简单性和优雅迅速表明了所提出的框架的力量。提出的结果应激发进一步的基于相互作用的优化研究，以实践其常规使用。