[論文レビュー] Utilities as Random Variables: Density Estimation and Structure Discovery

Urszula Chajewska, Daphne Koller|arXiv (Cornell University)|Jan 16, 2013

Bayesian Modeling and Causal Inference参考文献 18被引用数 63

ひとこと要約

本稿では、部分的に提示されたデータから効用分布を推定するために、ベイジアン混合正規分布モデルを用いて、効用関数を学習可能な確率密度関数を持つ確率変数として扱う手法を提案する。また、一般化加法性を同定する構造発見手法を導入し、より少ない提示クエリで頑健な効用推定を可能にする。合成データおよび出生前診断データを用いた実験により、必要なクエリ数が顕著に削減されたことが示された。

ABSTRACT

Decision theory does not traditionally include uncertainty over utility functions. We argue that the a person's utility value for a given outcome can be treated as we treat other domain attributes: as a random variable with a density function over its possible values. We show that we can apply statistical density estimation techniques to learn such a density function from a database of partially elicited utility functions. In particular, we define a Bayesian learning framework for this problem, assuming the distribution over utilities is a mixture of Gaussians, where the mixture components represent statistically coherent subpopulations. We can also extend our techniques to the problem of discovering generalized additivity structure in the utility functions in the population. We define a Bayesian model selection criterion for utility function structure and a search procedure over structures. The factorization of the utilities in the learned model, and the generalization obtained from density estimation, allows us to provide robust estimates of utilities using a significantly smaller number of utility elicitation questions. We experiment with our technique on synthetic utility data and on a real database of utility functions in the domain of prenatal diagnosis.

研究の動機と目的

• 従来の意思決定理論における不確実性モデリングの欠如に対処するため、効用値を確率的分布を持つ確率変数として扱う。
• 部分的に提示された効用データから効用密度関数を学習するための統計的フレームワークを開発する。
• 集団全体における効用関数の構造的パターン（例：一般化加法性）を同定する。
• 頑健な意思決定のための効用提示クエリ数を削減する。
• 集団レベルの統計的モデリングを活用して、一般化および頑健な効用推定を実現する。

提案手法

• 効用関数を、一貫した効用好みを示すサブグループを表現するためのガウス混合分布を用いた確率変数としてモデル化する。
• 部分的に提示された効用データから、混合モデルのパラメータをベイジアン学習により推定する。
• 効用関数の最適な構造（加法的または分解可能形など）を同定するために、ベイジアンモデル選択基準を適用する。
• 効用関数の構造の可能性を探索するための探索手順を設計し、一般化加法性のパターンを発見する。
• 学習済みの密度関数と構造を利用して、完全な提示に依存しないように効用推定を一般化する。
• 密度推定と構造発見を統合したフレームワークを構築し、意思決定的応用における頑健な効用推論を実現する。

実験結果

リサーチクエスチョン

• RQ1 効用関数は、学習可能な確率密度関数を持つ確率変数として効果的にモデル化可能か？
• RQ2 統計的密度推定技術は、部分的に提示された効用データにどのように適用可能か？
• RQ3 集団における効用関数に、加法性などの構造的パターンを同定できるか？
• RQ4 学習された効用モデルは、正確な意思決定のための提示クエリ数をどの程度削減できるか？
• RQ5 ガウス混合モデルは、一貫した効用好みを示すサブグループをどのように捉えているか？

主な発見

• ガウス混合モデルは、合成データおよび実世界のデータの両方において、一貫した効用好みを示すサブグループを効果的に捉えている。
• ベイジアン構造発見手法により、一般化加法性のパターンが効用関数で同定され、モデルの解釈性が向上した。
• 密度推定により、従来手法と比較して著しく少ない提示クエリ数で頑健な効用予測が可能になった。
• フレームワークは、出生前診断データにおいても、必要な効用提示クエリ数を削減しながら高い推定精度を維持した。
• 実データにおける実証的結果から、限られた提示情報からも一般化が可能であり、効果的に機能することが示された。
• 密度推定と構造発見の統合により、意思決定的応用におけるより信頼性が高くスケーラブルな効用推論が実現された。