यह शोधपत्र मल्टी-आउटपुट लोकल डिस्क्रिप्टिव एक्सप्लेनेशन्स (MOLONE) प्रस्तुत करता है, जो मानव-सहायता प्राप्त बायेसियन ऑप्टिमाइज़ेशन (PBO) में वरीयता चयन को बेहतर बनाने के लिए डिज़ाइन की गई एक नवीन तुलनात्मक व्याख्या पद्धति है। PBO में वरीयता व्युत्पत्ति एक गैर-तुच्छ कार्य है, क्योंकि इसमें वेक्टर-मूल्यवान परिणामों, निर्णयकर्ता की व्यक्तिपरक प्राथमिकताओं और निर्णयकर्ता की अपनी वरीयता विकल्पों के बारे में अनिश्चितता के बीच अंतर्निहित ट्रेड-ऑफ़ की खोज शामिल है। BO के लिए मौजूदा व्याख्यात्मक AI (XAI) विधियाँ मुख्य रूप से इनपुट विशेषताओं के महत्व पर ध्यान केंद्रित करती हैं और निर्णयकर्ताओं की वरीयता व्युत्पत्तियों में आउटपुट (लक्ष्यों) की महत्वपूर्ण भूमिका की उपेक्षा करती हैं। MOLONE ऐसे स्पष्टीकरण प्रदान करके इस अंतर को पाटता है जो इनपुट और आउटपुट दोनों के महत्व पर ज़ोर देते हैं, जिससे निर्णयकर्ता प्रतिस्पर्धी उद्देश्यों के बीच ट्रेड-ऑफ़ को समझ पाते हैं और अधिक सूचित वरीयता विकल्प चुन पाते हैं। स्थानीय स्पष्टीकरणों पर ध्यान केंद्रित करते हुए, MOLONE खोज क्षेत्र में स्थानीय परिवेशों के भीतर उम्मीदवार नमूनों में इनपुट विशेषताओं और परिणामों के महत्व की तुलना करके वरीयता-आधारित निर्णय लेने में शामिल बारीकियों को पकड़ता है। हम बेंचमार्क बहु-उद्देश्यीय अनुकूलन कार्यों का उपयोग करके PBO ढांचे के भीतर MOLONE का मूल्यांकन करते हैं और शोरयुक्त वरीयता चयन की तुलना में अभिसरण में सुधार लाने में इसकी प्रभावशीलता प्रदर्शित करते हैं। इसके अलावा, उपयोगकर्ता अध्ययनों से पता चला है कि MOLONE मानव-संबंधित परिदृश्यों में पसंदीदा विकल्पों की अधिक कुशल पहचान को सुगम बनाकर अभिसरण को उल्लेखनीय रूप से तेज़ करता है।
