[논문 리뷰] Planning with Partial Preference Models

Tuan Anh Nguyen, Bùi Quang Minh외 4명|arXiv (Cornell University)|2011. 01. 12.

AI-based Problem Solving and Planning참고 문헌 8인용 수 12

한 줄 요약

이 논문은 사용자 선호도가 부분적으로만 제공될 경우 고품질의 계획 집합을 생성하기 위한 프레임워크를 제안한다. 미지의 선호도에 대해 다양성 지표를 사용하고, 부분적 선호도 입력을 위해 통합 볼록 선호도(Integrated Convex Preference)를 사용한다. gp-csp 및 Metric-LPG와 같은 계획기에서 히우리스틱 검색 방법을 도입하여 다양하고 사용자 중심의 계획 집합을 효율적으로 생성하며, 부분적 선호도를 통합할 경우 계획 집합의 품질이 향상됨을 입증한다.

ABSTRACT

Current work in planning with preferences assume that the user's preference models are completely specified and aim to search for a single solution plan. In many real-world planning scenarios, however, the user probably cannot provide any information about her desired plans, or in some cases can only express partial preferences. In such situations, the planner has to present not only one but a set of plans to the user, with the hope that some of them are similar to the plan she prefers. We first propose the usage of different measures to capture quality of plan sets that are suitable for such scenarios: domain-independent distance measures defined based on plan elements (actions, states, causal links) if no knowledge of the user's preferences is given, and the Integrated Convex Preference measure in case the user's partial preference is provided. We then investigate various heuristic approaches to find set of plans according to these measures, and present empirical results demonstrating the promise of our approach.

연구 동기 및 목표

• 사용자 선호도가 알려지지 않았거나 부분적으로만 제공될 경우 대표성 있는 계획 집합을 생성하는 데 도전하는 것.
• 도메인 독립적인 거리 측정법과 통합 볼록 선호도 함수를 포함한, 불완전한 선호 정보 하에서 계획 집합의 공식적 품질 측정 기준을 정의하는 것.
• 기존 계획기인 gp-csp 및 Metric-LPG를 활용하여 다양성과 선호도 인식을 동시에 고려한 히우리스틱 검색 기법을 개발하는 것.
• 사용자가 선호하는 계획이 생성된 집합에 포함될 가능성을 높이는 데 이러한 방법들이 얼마나 효과적인지 평가하는 것.
• 사용자 피드백을 통해 선호 모델을 시간이 지남에 따라 개선하는 상호작용형 선호 학습을 가능하게 하는 것.

제안 방법

• 선호 정보가 전혀 없을 경우 계획 요소(행동, 상태, 인과 관계)를 기반으로 한 도메인 독립적 거리 측정법을 제안하여 다양성을 정량화한다.
• 부분적 선호도(속성 및 가중치 분포)가 제공될 경우 계획 집합의 품질 측정 기준으로 통합 볼록 선호도(ICP) 함수를 도입한다.
• gp-csp 계획기를 수정하여 거리 기반 제약 조건을 도입함으로써, 경계가 설정된 수렴 방식을 통해 다양성을 강제한다.
• 거리 측정법을 활용해 느슨한 계획 휴리스틱을 편향시켜 국소 탐색을 다양성 있는 해로 유도함으로써 lpg 계획기를 개선한다.
• Metric-LPG 계획기를 부분적 선호도 입력을 활용하여 ICP 측정 기준 하에서 계획 집합을 최적화할 수 있도록 히우리스틱 전략을 확장한다.
• 사용자가 생성된 계획 집합에서 선택한 계획을 바탕으로 베이지안 업데이트를 적용하여 사용자 선호 모델을 반복적으로 개선한다.

실험 결과

연구 질문

• RQ1 사용자 선호도가 완전히 알려지지 않았을 경우 계획 집합의 품질을 어떻게 평가할 수 있는가?
• RQ2 선호 모델에 의존하지 않고 다양성 있는 계획 집합을 생성하기 위한 효과적인 히우리스틱 방법은 무엇인가?
• RQ3 부분적 사용자 선호도—특히 속성 집합과 그 상대적 중요도—는 어떻게 공식적으로 모델링하고 계획 집합 생성을 안내하는 데 사용할 수 있는가?
• RQ4 부분적 선호도를 통합할 경우 생성된 계획 집합의 품질이 얼마나 향상되는가?
• RQ5 사용자 피드백에서 유도된 상호작용 학습을 계획 집합 생성 과정에 통합하여 선호 모델을 시간이 지남에 따라 개선할 수 있는가?

주요 결과

• 계획 요소를 기반으로 한 도메인 독립적 거리 측정법이 선호 정보가 없을 경우 계획 집합의 다양성을 효과적으로 측정한다.
• gp-csp를 사용한 실험에서, 다양한 거리 측정법을 적용할 경우 계산 난이도가 상이하며, 생성된 계획 집합 간에 이들 측정법 간 상관관계가 존재함을 확인하였다.
• 편향된 느슨한 계획 휴리스틱을 사용한 lpg 기반 접근법이 국소 탐색을 통해 매우 다양성 높은 계획 집합을 성공적으로 생성하였다.
• 통합 볼록 선호도 함수를 통해 부분적 선호도를 통합하면, 단순 다양성 중심 접근법에 비해 계획 집합의 품질 향상이 명확하게 관측되었다.
• 제안된 방법은 선호도 불완전성의 정도에 민감하며, 더 많은 선호 정보가 제공될수록 성능 향상이 뚜렷하다.
• 이 프레임워크는 상호작용형 선호 학습을 지원하며, 사용자가 선택한 계획을 바탕으로 베이지안 매개수 추정을 통해 선호 모델을 업데이트할 수 있다.