作为大规模群体决策中信息融合工具的降维技术：分类、挑战与未来发展方向

《Information Fusion》：Dimensionality reduction as information fusion enabler in large-scale group decision-making: Classification, challenges, and future directions

　　辛绍|马雪玲|何塞·卡洛斯·R·阿尔坎图德|詹明展中国湖北民族大学数学与统计学院，恩施市，445000摘要多源信息融合已成为现代智能决策系统的核心，然而来自众人的海量、异构且高维的数据严重影响了大规模群体决策的效率和公平性。为将这种“数据丰富性”转化为“决策智慧”，降维技术已从可选的预处理模块发展为不可或缺的以融合为核心的工具，它能够在保留集体知识的同时，将众多决策者压缩为简洁但具有代表性的子群结构。通过系统梳理2014年至2025年从Web of Science中检索到的345篇文献，本文提出了首个以信息融合为导向的大规模群体决策降维技术分类体系，将其分为：（i）基于聚类分析的大规模偏好数据融合；（ii）基于复杂网络的社区检测以融合关系信息；（iii）融合多模态或半监督信号的专用混合方法。本文对这些技术进行了批判性分析，探讨了它们在缓解规模难题、提升决策质量及流程可操作性方面的作用，并建立了涵盖内部有效性和外部有效性的评估体系。最后，总结了信息融合面临的关键挑战，包括动态流式偏好、超大规模稀疏网络以及隐私保护型融合问题，同时展望了范式优化及半监督粒度球融合、基于自编码器的深度表示融合、集成学习及多模态融合等关键技术，为大数据时代实现高效、可靠且公平的大规模群体决策提供了参考。引言多源、多模态和多层次的信息整合能够将原始的、异构的和高维的数据转化为可操作的知识。群体决策通过整合多个利益相关者的偏好、判断和社会关系，以克服个体偏见并提升决策结果的可靠性[1]、[2]。大规模群体决策则将这一过程扩展到数百甚至数千名决策者，使其成为一种典型的融合任务，需要将不同的证据整合为简洁、公平的集体结论[3]、[4]。由此产生的巨大数据量和不确定性引发了“维度灾难”，降低了计算效率并影响融合的准确性[5]。因此，降维技术已从可选的预处理工具转变为以融合为核心的战略伙伴，它在保留语义丰富性的同时压缩参与者数量，以便后续达成共识[6]。目前尚无系统性研究从明确的信息融合视角审视这些技术，或评估其与数据到决策整合目标的一致性。本文通过提出首个以信息融合为导向的降维技术分类体系、批判性分析及发展路线图，填补了这一空白，旨在实现可扩展、可解释且高精度的大规模群体决策融合。数字平台、社交媒体和众包技术的快速发展[7]、[8]、[9]打破了传统群体决策的参与界限和时空限制，推动了大规模群体决策领域的出现。与传统群体决策相比，大规模群体决策通常涉及数百[10]、[11]、数千甚至数万名决策者，其规模远远超过传统群体决策。其应用场景已扩展到需要大量利益相关者参与的复杂决策任务[12]、[13]，如城市规划[14]、[15]、应急响应[16]、环境治理[17]以及公共政策制定[18]。关于该领域的全面概述，可在[19]、[20]、[21]、[22]中找到近期关于群体决策和大规模群体决策的综述文章。规模的显著扩大和复杂性的增加给大规模群体决策带来了传统群体决策所没有的前所未有的挑战：由于决策者数量庞大，导致传统共识模型和聚合方法的计算成本呈指数级增长，迫切需要降维技术来简化群体结构。此外，超大规模参与、稀疏社会网络以及真实决策环境中的动态变化进一步加剧了大规模群体决策在技术适应性、结果公平性和流程可控性方面的矛盾。在此背景下，降维技术已从可选方案演变为大规模群体决策中不可或缺的技术前提和核心组成部分[23]、[24]。它不仅承担着降低决策维度及计算负荷的基本功能，还需通过科学的群体划分策略成为平衡大规模群体决策效率、质量和公平性的关键支撑。同时，它还为后续的共识建模、偏好聚合和决策实施提供必要的结构支持，推动大规模群体决策从规模难题迈向高效可行的新发展阶段。降维技术的一般定义是通过数学变换或结构重构，将高维数据映射到低维空间，其目标是最大化保留核心数据特征和关键信息。其核心价值在于解决高维数据带来的冗余和计算过载等问题。而本文研究的大规模群体决策领域的降维技术则具有特定的场景特征：其核心目标并非一般的高维数据降维，而是将大量决策者划分为具有内在一致性的K个簇。后续的决策过程以这些簇作为基本单元，从而从根本上降低大规模群体决策的计算复杂度和组织协调成本。需要特别指出的是，“降维”概念在机器学习领域也被广泛使用，通常指对特征或属性的降维。为更好地区分本文的研究内容与机器学习中的降维概念，我们在表1中展示了二者之间的差异。从信息融合的角度来看，大规模群体决策中的每个决策者都可视为一个携带偏好、判断或社会关系的高维信息源。整个群体 thus形成了一个维度等于参与者数量的决策者空间。当参与者数量增至数百甚至数千时，就会引发“规模灾难”，导致共识构建的复杂性呈指数级上升、偏好信息冗余以及群体结构难以理解。通过聚类、社区检测或其他方法将大规模群体压缩为若干子群，本质上就是对决策者空间进行降维，其数学目标与传统的特征降维目标一致。基于信息融合视角的这种一致性，本文明确将其定义为决策者空间的降维技术，并重点探讨此类技术。需特别说明的是，本文的研究范围严格限定于降低大规模决策者的维度，不包括降低决策属性维度或其他类型的降维研究。作为应对大规模群体决策中维度灾难并提升决策可行性的核心支撑，降维技术已在该领域得到全面且多场景的应用，深入贯穿了大规模群体决策的整个过程。然而，尽管降维技术在大规模群体决策中得到广泛应用，现有研究仍面临诸多严峻挑战。在理论层面，许多研究对降维的目的仅给出模糊解释，未能明确其是为了纯粹的工程简化还是为了揭示有意义的群体结构。因此，降维结果往往被视为缺乏决策洞察力的技术产物。在方法层面，目前大多数降维技术都基于静态、完整数据及紧密关系的理想假设，难以满足真实决策中常见的复杂需求，如偏好 的动态变化、稀疏的社会网络以及数据隐私保护等问题。在评估层面，目前缺乏与最终决策目标（如共识效率与公平性）紧密相关的评估体系，使得难以根据降维技术服务于决策的根本目的来评判其优劣。为解决上述问题，本文旨在对大规模群体决策中的降维技术进行系统的整理、回顾与展望。虽然现有综述文章已从共识机制和社会网络背景等多宏观角度探讨了大规模群体决策，但尚未有研究以大规模群体决策领域的降维技术作为核心研究焦点进行系统梳理。实际上，降维技术是推动大规模群体决策从理论研究走向大规模实际应用的核心支撑技术。近年来，结合降维技术的大规模群体决策研究呈指数级增长，但目前仍缺乏专门针对这一主题的系统综述，难以让读者对该领域形成全面深入的了解。为填补这一研究空白，本文对2014年至2025年10月的345篇经过同行评审的文献进行了系统分析。通过文献计量分析与深入的主题归纳，全面呈现了该领域的最新研究成果，批判性地分析了现有研究的局限性，并指出了新兴的研究方向。我们的主要贡献可总结如下：•系统整理了2014年至2025年10月间的345篇高质量文献，为该领域的最新研究进展和发展趋势提供了全面概览。•通过技术分类体系和核心性能指标两大视角，构建了一个以信息融合为导向的统一分析框架，为系统理解该领域提供了结构化的思路。•在系统综述的基础上，从三个不同维度对当前研究中的关键问题进行了深入探讨，同时批判性地分析了方法设计与实际应用之间的差距，并严谨审视了现有降维研究固有的局限性。•从范式优化和关键技术探索两个视角提出了未来的发展路径，为后续研究和工程应用提供了参考与启示。本文的其余部分结构如下：第2节探讨大规模群体决策中降维技术的必要性，并对2014年至2025年10月间的相关文献进行了文献计量分析。第3节从技术分类体系和核心区分指标这两个核心视角对大规模群体决策中的现有降维技术进行分类，并对其区分指标进行了系统综述和全面分析。随后，第4节从服务范式、现实世界适应性以及评估体系创新三个维度进行了批判性思考与讨论。第5节从两个维度系统阐述了大规模群体决策降维技术的未来发展路径。最后，第6节给出结论。图1展示了本文研究的整体结构。章节片段大规模群体决策中的降维技术：必要性及文献计量分析本节重点探讨大规模群体决策中降维技术的必要性及文献计量分析情况。它既是对前文提出的核心挑战的回应，也为后续的技术综述奠定基础。首先，基于大规模群体决策在规模和复杂性方面的困境，系统阐述了降维技术从可选工具演变为不可或缺技术的核心逻辑及其多种表现形式。大规模群体决策降维技术分类体系与区分指标总结本节从技术分类体系和核心区分指标这两个核心视角，对大规模群体决策中的现有降维技术进行了全面系统的综述。该综述旨在阐明这些技术的底层逻辑和实现路径，对聚类算法、社区检测算法及其他特色技术进行分类，明确各类技术在数据处理方面的核心差异。批判性思考与讨论：服务范式、现实世界适应性及评估体系创新降维技术是大规模群体决策应对维度灾难并提升决策效率的核心支撑。它们的定位、现实世界适应性以及评估标准直接决定了大规模群体决策模型的理论深度和实践价值。在现有研究中，降维技术形成了两种核心范式。第一种范式作为模块化预处理工具，旨在确保决策制定的计算可行性。大规模群体决策降维技术的未来发展：范式优化与关键技术探索本文的系统综述表明，当前大规模群体决策降维研究在理论一致性、现实适应性以及评估体系方面仍存在明显局限。为实现从方法探索到决策价值提升的跨越，未来的研究需要注重范式层面的优化和创新。这种优化的核心在于推动降维技术逐步从……结论作为数字时代复杂场景下的核心决策范式，大规模群体决策面临着规模灾难和现实环境复杂性双重挑战，这使得降维技术成为平衡决策效率与质量的关键支撑。本文对LSGDM中的降维技术进行了系统性综述，旨在帮助研究人员更全面地了解这些技术的最新进展。CRediT作者贡献说明：邵欣：方法学、写作——初稿撰写；马雪玲：研究设计、方法学、写作——初稿撰写；何塞·卡洛斯·R·阿尔坎图德：方法学、写作——综述与编辑；詹建明：方法学、写作——综述与编辑。利益冲突声明：所有作者均声明不存在可能影响本文所述工作的已知财务利益冲突。作者们还声明没有可能影响本文工作的已知财务利益或个人关系。