[論文レビュー] Graphical Models for Preference and Utility

Fahiem Bacchus, Adam J. Grove|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 20被引用数 222

ひとこと要約

この論文は、無向グラフィカルモデル（マルコフネットワーク）を用いて、効用関数における条件付き加法的独立性を導入し、確率的ベイジアンネットワークと類似する機能的分解を可能にする。この独立性関係がグラフ上の分離に正確に対応することを証明しており、効用グラフが確率的ネットワークの構造と一致する場合には期待効用の計算が効率的に行える。

ABSTRACT

Probabilistic independence can dramatically simplify the task of eliciting, representing, and computing with probabilities in large domains. A key technique in achieving these benefits is the idea of graphical modeling. We survey existing notions of independence for utility functions in a multi-attribute space, and suggest that these can be used to achieve similar advantages. Our new results concern conditional additive independence, which we show always has a perfect representation as separation in an undirected graph (a Markov network). Conditional additive independencies entail a particular functional for the utility function that is analogous to a product decomposition of a probability function, and confers analogous benefits. This functional form has been utilized in the Bayesian network and influence diagram literature, but generally without an explanation in terms of independence. The functional form yields a decomposition of the utility function that can greatly speed up expected utility calculations, particularly when the utility graph has a similar topology to the probabilistic network being used.

研究の動機と目的

• 多属性効用関数における独立構造を、確率的独立性と類似する形で形式化すること。
• 効用関数における条件付き加法的独立性を特定および特徴づけること。
• 条件付き加法的独立性が、無向グラフにおける分離を用いて完全なグラフィカル表現を許容することを示すこと。
• 得られる関数形が、期待効用計算の効率的分解を可能にすることを示すこと。
• 従来の影響図やベイジアンネットワークで用いられてきた、積型の効用分解を、形式的な独立性の基礎なしに使用してきたことの統合と明確化すること。

提案手法

• 多属性ドメインにおける効用関数のための、条件付き加法的独立性の形式的概念を提案する。
• 局所関数の積として分解される関数形を定義し、確率のハマークリー＝クライフォード定理と類似させる。
• 条件付き加法的独立性が、無向グラフ（マルコフネットワーク）におけるd分離に正確に対応することを確立する。
• 効用グラフの構造を用いて期待効用計算を分解し、計算複雑性を低減する。
• 効用グラフが確率的ネットワークのトポロジーと一致する場合、期待効用計算が著しく効率的になることを示す。
• フレームワークを影響図やベイジアンネットワークに適用し、従来の分解技術が独立性の意味論に基づいて根付くことを示す。

実験結果

リサーチクエスチョン

• RQ1 多属性効用関数における独立構造は、確率的独立性と類似する形で形式化可能か？
• RQ2 効用関数における条件付き加法的独立性は、グラフ分離を用いて完全なグラフィカル表現を許容するか？
• RQ3 条件付き加法的独立性から生じる関数形は何か？ そして、それが計算の効率性をどのように実現するか？
• RQ4 効用グラフと確率的ネットワークのトポロジーの整合性が、期待効用計算にどのように影響するか？
• RQ5 なぜ影響図において、形式的な独立性の基礎なしに、積型の効用分解が使われてきたのか？

主な発見

• 効用関数における条件付き加法的独立性は、正確に無向グラフィカルモデル（マルコフネットワーク）における分離に対応する。
• 効用関数は、グラフの構造を反映する局所関数への分解を許容し、計算の効率化を可能にする。
• 効用関数の関数形は、ハマークリー＝クライフォード定理における確率分布の積分解と類似している。
• 効用グラフのトポロジーが確率的ネットワークと類似する場合、期待効用計算が著しく高速化される。
• 本論文は、従来の影響図やベイジアンネットワークで用いられてきた効用分解技術に、形式的な基礎を提供する。
• 結果として、グラフィカルモデルが、確率的グラフィカルモデルと類似した形で、効用関数の表現と計算に用いられることを確立する。