Efficient tensor bases for pairwise comparisons

La prise de décision nécessite souvent de peser des options qui ne peuvent être mesurées ni avec une règle ni avec une balance. Lorsqu'un comité doit choisir entre trois emplacements différents pour un nouveau parc, ou qu'un gestionnaire doit classer cinq projets potentiels, il s'appuie sur la comparaison d'éléments par paires. Il peut décider que l'emplacement A est deux fois plus important que l'emplacement B, ou que le projet X est nettement meilleur que le projet Y. Ces jugements sont regroupés dans une grille, un tableau carré où chaque cellule contient une valeur représentant l'importance relative d'un élément par rapport à un autre. L'objectif est de transformer cette collection d'opinions subjectives en une liste unique et claire de priorités. Cependant, le jugement humain est rarement parfait. Une personne peut dire que A est meilleur que B, et que B est meilleur que C, mais affirmer par erreur que C est meilleur que A. Cette contradiction interne, appelée incohérence, crée un brouillard qui rend difficile l'extraction d'un classement fiable à partir des données. Pendant des décennies, les mathématiciens et les spécialistes de la décision ont lutté pour trouver le meilleur moyen de dissiper ce brouillard et de trouver le véritable ordre sous-jacent caché au sein de ces comparaisons imparfaites.

Le défi fondamental réside dans la nature même des données. Comme ces comparaisons sont multiplicatives — signifiant que si A est deux fois plus important que B, alors B est deux fois moins important que A — les mathématiques impliquées sont complexes et non linéaires. Pour simplifier le problème, les chercheurs transforment souvent ces valeurs multiplicatives en valeurs additives, un peu comme si l'on transformait une courbe complexe en une ligne droite pour faciliter le tracé. Dans ce monde additif, l'objectif devient de trouver une version « parfaitement cohérente » des données désordonnées, une version où toutes les comparaisons s'articulent logiquement sans aucune contradiction. Ce processus consiste essentiellement à chercher l'ajustement le plus proche possible entre les données réelles et imparfaites et une structure logique idéale. La difficulté a toujours été de trouver un moyen de réaliser ce calcul de manière efficace et précise, en particulier lorsque les données sont volumineuses ou que les incohérences sont profondes.

Dans une étude récente, les chercheurs Konrad Kułakowski et Ryszard Smarzewski ont construit un nouvel outil mathématique qui résout un problème de longue date dans ce domaine. Ils ont développé le premier ensemble explicite de blocs de construction, ou base, pour l'espace des données parfaitement cohérentes. Imaginez que vous essayiez de décrire toutes les formes possibles dans une pièce en utilisant uniquement quelques formes spécifiques et standard. Pendant des années, les mathématiciens disposaient d'un ensemble de formes qui fonctionnaient, mais elles étaient maladresses et difficiles à utiliser ensemble car elles se chevauchaient de manières compliquées. Kułakowski et Smarzewski ont désormais créé un nouvel ensemble de formes qui sont parfaitement indépendantes les unes des autres, ce qui signifie qu'elles ne se chevauchent pas et n'interfèrent pas. Ce nouvel ensemble leur permet de décomposer n'importe quel ensemble de comparaisons désordonné en ses parties cohérentes avec une précision et une rapidité extrêmes. Leur méthode fournit une formule directe, étape par étape, pour calculer le meilleur classement possible à partir des données, éliminant ainsi le besoin de jeux de devinettes répétitifs et lents que les méthodes précédentes exigeaient.

La portée de cette découverte dépasse la simple recherche d'un moyen de calcul plus rapide. Les chercheurs ont utilisé leur nouvel outil pour réexaminer trois méthodes utilisées depuis des années pour classer des éléments : la méthode traditionnelle des vecteurs propres, une approche logarithmique et une technique basée sur la décomposition en valeurs singulières. En appliquant leur nouvelle base orthogonale, ils ont pu montrer exactement comment ces trois méthodes sont liées entre elles. Ils ont découvert que la méthode de décomposition en valeurs singulières, qui consiste à décomposer une matrice en ses composants fondamentaux, est en fait une combinaison de deux processus plus simples. Il s'avère que cette méthode est unique car elle satisfait deux critères mathématiques différents à la fois, agissant à la fois comme une mesure basée sur la distance et une mesure basée sur les vecteurs propres. Cette découverte remet en question la croyance de longue date selon laquelle une méthode spécifique est toujours supérieure aux autres. Les auteurs démontrent qu'aucune approche unique ne fonctionne le mieux dans toutes les situations ; le choix de la méthode dépend de la nature spécifique des données et du type d'erreur présent.

L'article aborde également une critique courante de la méthode la plus populaire, l'approche par vecteurs propres, largement utilisée dans la planification stratégique et la finance. Les chercheurs montrent que cette méthode peut échouer à distinguer certains types de données, particulièrement lorsque les données ressemblent à une distribution aléatoire de probabilités. Dans de tels cas, la méthode peut produire un résultat qui ignore entièrement l'entrée réelle. En revanche, leur nouvelle projection orthogonale offre une alternative plus robuste qui ne souffre pas de cet angle mort spécifique. L'étude fournit des formules à forme fermée, ce qui signifie que les réponses peuvent être calculées directement sans itération, ce qui rend le processus stable et fiable pour une implémentation informatique. Il s'agit d'une amélioration cruciale pour les applications du monde réel où les décideurs ont besoin de résultats rapides et fiables à partir de jeux de données complexes.

En fin de compte, ce travail transforme notre compréhension de la mathématique de la préférence. Il fait passer le domaine d'une dépendance à une technique unique et dominante vers une compréhension plus nuancée selon laquelle différents outils sont nécessaires pour différents problèmes. Les chercheurs ont fourni une carte claire du paysage mathématique, montrant exactement où les différentes méthodes se chevauchent et où elles divergent. La construction de leur base orthogonale n'est pas seulement une curiosité théorique ; c'est un moteur pratique capable de piloter une prise de décision plus précise dans des domaines allant de la psychologie à la recherche marketing. En clarifiant les relations entre ces méthodes, l'étude permet aux praticiens de choisir le bon outil pour leur problème spécifique, garantissant que les classements finaux reflètent l'intention réelle des décideurs plutôt que les limitations de la méthode de calcul. Ce travail confirme que, bien qu'aucune méthode ne soit parfaite pour chaque scénario, avoir une compréhension claire de leurs forces et de leurs faiblesses permet d'obtenir de bien meilleurs résultats dans le monde complexe du jugement humain.