본 논문은 기계학습(ML)에서 선호도 학습의 두 주요 이론인 손실 함수(Savage)와 확률적 선택(Doignon-Falmagne 및 Machina) 사이의 연결 관계로서 직접 선호도 최적화(DPO)를 제시합니다. 모든 Savage 손실 함수에 대해 이 연결 관계가 확립되며, 이러한 일반성 수준에서 (i) 선택 이론 측면에서의 기권 지원, (ii) ML 측면에서의 비볼록 목표 지원, (iii) 마진 및 길이 수정을 포함한 DPO 설정의 주목할 만한 확장을 무료로 프레임화하는 기능을 포함합니다. 다양한 응용 분야와 DPO에 대한 현재의 관심, 그리고 최첨단 DPO 변형의 많은 부분이 본 논문에서 다루는 범위의 작은 영역을 차지한다는 점 때문에 일반적인 원칙적 관점에서 DPO가 어떻게 작동하는지 이해하는 것이 중요합니다. 또한, 이러한 범위를 벗어나는 함정을 이해하고 해결책을 찾는 데 도움이 됩니다.
