[논문 리뷰] On the decomposition of Generalized Additive Independence models

Michel Grabisch, Christophe Labreuche|arXiv (Cornell University)|2015. 01. 01.

Multi-Criteria Decision Making참고 문헌 19인용 수 1

한 줄 요약

이 논문은 이산 2-가산 GAI 모델을 비음이 아닌 단조 증가 성질을 가진 항으로 분해하여 최적화 복잡도를 지수적에서 이차적으로 감소시킨다. 이 방법은 일반적으로 복잡한 이러한 모델의 실용적 적용을 가능하게 하며, 구조를 단순화하면서도 유틸리티 표현 능력을 유지한다.

ABSTRACT

The GAI (Generalized Additive Independence) model proposed by Fishburn is a generalization of the additive utility model, which need not satisfy mutual preferential independence. Its great generality makes however its application and study difficult. We consider a significant subclass of GAI models, namely the discrete 2-additive GAI models, and provide for this class a decomposition into nonnegative monotone terms. This decomposition allows a reduction from exponential to quadratic complexity in any optimization problem involving discrete 2-additive models, making them usable in practice

연구 동기 및 목표

• 일반성으로 인해 높은 계산 복잡도 문제를 야기하는 일반화된 추가 독립성(GAI) 모델 적용의 과제를 해결하기 위해.
• 실용적 최적화를 위해 처리 가능한 GAI 모델의 부분집합—특히 이산 2-가산 GAI 모델—을 식별하고 분석하기 위해.
• 복잡한 GAI 모델을 더 단순한 비음이 아닌 단조 증가 성질을 가진 구성 요소로 변환하는 분해 방법을 개발하기 위해.
• 계산 복잡도를 지수적에서 이차적으로 감소시켜 의사결정 맥락에서 효율적인 최적화를 가능하게 하기 위해.

제안 방법

• 논문은 상호 선호 독립성 조건이 필요하지 않은 추가 유틸리티 모델을 일반화하는 이산 2-가산 GAI 모델에 초점을 맞춘다.
• 비음이 아닌 단조 증가 성질을 가진 항들의 합으로 표현하는 분해 기법을 제안한다.
• 2-가산 모델의 구조를 활용하여 쌍별 및 개별 유틸리티 기여도를 분리한다.
• 구성 요소의 단조성과 비음성 보장을 통해 모델의 표현 능력을 유지한다.
• 유틸리티 함수를 이러한 구성 요소로 재구성함으로써, 이차 시간 알고리즘을 통한 효율적 최적화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 이산 2-가산 GAI 모델의 계산 복잡도는 어떻게 실용적 사용을 위해 감소시킬 수 있는가?
• RQ2 비음이 아닌 단조 증가 성질을 가진 표현을 가능하게 하는 구조적 분해는 무엇인가?
• RQ3 2-가산 GAI 모델의 유틸리티 함수는 더 단순하고 처리 가능한 구성 요소들의 합으로 표현될 수 있는가?
• RQ4 이 분해는 효율적 최적화를 가능하게 하면서도 모델의 표현 능력을 어느 정도 유지하는가?

주요 결과

• 제안된 분해 방법은 이산 2-가산 GAI 모델을 비음이 아닌 단조 증가 성질을 가진 항들의 합으로 변환하여 효율적 최적화를 가능하게 한다.
• 이 방법은 최적화 문제의 계산 복잡도를 지수적 시간에서 이차 시간으로 감소시킨다.
• 분해 과정은 상호 선호 독립성을 요구하지 않으며, 복잡한 선호도를 표현할 수 있는 모델의 능력을 유지한다.
• 기존에는 처리 불가능시였던 GAI 모델을 실생활 의사결정 지원 응용 분야에서 계산적으로 가능하게 한다.