Разработка метода экспертных оценок с применением алгоритма градиентного спуска

В данной работе предложен новый метод экспертных оценок, основанный на использовании градиентного спуска и матричной факторизации, направленный на решение проблем методов Дельфи, метода анализа иерархий, голосования Борда и кластеризации, таких как ограниченная объективность, уязвимость к поляризации мнений, ограниченная масштабируемость и уязвимость к сговорам. Метод использует латентные факторы для моделирования скрытых предпочтений экспертов и характеристик оцениваемых вариантов, что позволяет выявлять наиболее универсально принятые решения и нивелировать влияние предвзятых групп. Для проверки модели была реализована её упрощённая версия на языке Python, позволяющая имитировать экспертные оценки с учётом поляризации и случайных начальных условий. Эксперименты показали, что метод на основе значений полезности варианта различает высококачественные, поляризующие, нейтральные и низкокачественные варианты, а также демонстрирует устойчивость к начальным условиям благодаря регуляризации. По сравнению с традиционными методами разработанный подход обеспечивает более высокую точность, масштабируемость и устойчивость к предвзятости, хотя и требует больших вычислительных ресурсов. Результаты подтверждают практическую значимость метода для задач анализа данных в условиях больших объемов информации и разнородных экспертных мнений, делая его универсальным инструментом для поддержки принятия решений.