[論文レビュー] Objective Function Designing Led by User Preferences Acquisition

Patrick Taillandier, Julien Gaffuri|arXiv (Cornell University)|Apr 23, 2012

Constraint Satisfaction and Optimization被引用数 4

ひとこと要約

本稿では、最適化問題における目的関数の設計を、解の比較を通じてユーザーの好みを引き出す対話型手法を提案する。地図一般化の文脈で対話ベースのアプローチを用い、ユーザーのフィードバックに応じて逐次的に目的関数を精緻化する。実験的評価において、解の関連性とユーザー満足度の著しい向上が確認された。

ABSTRACT

Many real world problems can be defined as optimisation problems in which the aim is to maximise an objective function. The quality of obtained solution is directly linked to the pertinence of the used objective function. However, designing such function, which has to translate the user needs, is usually fastidious. In this paper, a method to help user objective functions designing is proposed. Our approach, which is highly interactive, is based on man machine dialogue and more particularly on the comparison of problem instance solutions by the user. We propose an experiment in the domain of cartographic generalisation that shows promising results.

研究の動機と目的

• 現実の最適化問題において、ユーザーのニーズを正確に反映する有効な目的関数を設計するという課題に取り組む。
• ユーザーのフィードバックを活用することで、手作業による目的関数の作成に伴う作業負荷と主観性を低減する。
• ユーザーの好みに応じて動的に目的関数を適応させる、対話的でユーザー中心のアプローチを開発する。
• ユーザーが地図の品質をどのように評価するかが極めて重要な実用的分野である地図一般化において、本手法を検証する。
• 事前に定義されたまたは静的な目的関数よりも、好みに基づく学習がより関連性が高く、ユーザーに受け入れられやすい解を生成できることを示す。

提案手法

• ユーザーが問題のインスタンスの2つの解を比較する人間を含むループフレームワークを採用する。
• ペairワイズ比較から得られるユーザーの好みをもとに、解の順序付けを推定し、好みモデルの学習に活用する。
• 好みモデルを最適化フレームワークに統合し、ユーザーの期待に一致する解の探索を支援する。
• フィードバックに基づいて目的関数を繰り返し精緻化し、順序付け学習のアプローチを用いて重みや構成要素を調整する。
• 継続的なユーザー参加を通じて、進化するあるいは微細なユーザー基準に適合する対話型精緻化を支援する。
• 本手法は地図一般化の文脈で評価され、ユーザーが地図の簡略化の品質を評価し、その選択から学習する。

実験結果

リサーチクエスチョン

• RQ1 最適化プロセス中に、どのようにしてユーザーの好みを効果的に引き出すことができるか？ これにより目的関数設計がどのように導かれるか。
• RQ2 静的目的関数と比較して、対話的好み取得が最適化された解の関連性をどの程度向上できるか。
• RQ3 地図一般化のような複雑で知覚的な分野において、対話型システムとペアワイズ比較がユーザーの好みを信頼性高く学習できるか。
• RQ4 ユーザーのフィードバックが、現実の最適化タスクにおける収束性と最終解の品質に与える影響は何か。
• RQ5 ユーザーの好みが一貫性のない場合や変化する場合、本手法はどのようにスケーリングされたり適応されたりするか。

主な発見

• 対話的で好みに基づく手法は、ベースラインの目的関数と比較して、地図一般化における解の品質を著しく向上させた。
• ユーザーは、好みを引き出すシステムが生成した解を、固定された目的関数からの解よりも一貫して好んだ。
• わずかな数のペアワイズ比較で、適切に一致する目的関数に収束した。
• ユーザーの不一致に対しても、好み学習アルゴリズムが効果的に矛盾する入力を是正するという点で、本手法は頑健であった。
• 専門家が定義する目的関数の必要性が低下し、非専門家ユーザーにとってのカスタマイズの障壁が低下した。
• 実験により、ユーザーが品質をどのように評価するかを効果的にモデル化し、知覚的分野における最適化を導くために利用できることが確認された。