[논문 리뷰] Similarity Measures on Preference Structures, Part II: Utility Functions

Vu Ha, Peter Haddawy외 1명|arXiv (Cornell University)|2013. 01. 10.

Bayesian Modeling and Causal Inference참고 문헌 15인용 수 3

한 줄 요약

이 논문은 불확실성 하에서 부분적으로 지정된 유틸리티 함수를 비교하기 위한 확률적 거리 측정법을 소개하며, 사례 기반 선호도 추출 프레임워크를 확장한다. 이는 이 거리를 계산하기 위한 알고리즘을 제시하고, 다른 측정법이 실패하는 의료 선호도 데이터셋에 적용 가능성을 입증하며, 불확실한 의사결정 환경에서의 우수성을 보여주는 종합적인 분석적 비교를 제공한다.

ABSTRACT

In previous work cite{Ha98:Towards} we presented a case-based approach to eliciting and reasoning with preferences. A key issue in this approach is the definition of similarity between user preferences. We introduced the probabilistic distance as a measure of similarity on user preferences, and provided an algorithm to compute the distance between two partially specified {em value} functions. This is for the case of decision making under {em certainty}. In this paper we address the more challenging issue of computing the probabilistic distance in the case of decision making under{em uncertainty}. We provide an algorithm to compute the probabilistic distance between two partially specified {em utility} functions. We demonstrate the use of this algorithm with a medical data set of partially specified patient preferences,where none of the other existing distancemeasures appear definable. Using this data set, we also demonstrate that the case-based approach to preference elicitation isapplicable in domains with uncertainty. Finally, we provide a comprehensive analytical comparison of the probabilistic distance with some existing distance measures on preferences.

연구 동기 및 목표

• 불확실성 하에서 부분적으로 지정된 유틸리티 함수 간의 유사도를 계산하는 데 도전하는 것.
• 결정론적 환경에서의 사례 기반 선호도 추출 프레임워크를 불확실한 환경으로 확장하는 것.
• 유틸리티 함수 간의 확률적 거리 계산을 위한 계산적으로 실현 가능한 알고리즘을 개발하는 것.
• 의료 의사결정 지원과 같이 선호도 데이터가 불완전한 실제 도메인에서의 적용 가능성을 입증하는 것.
• 기존의 선호도 유사도 측정법과의 엄밀한 분석적 비교를 제공하는 것.

제안 방법

• 논문은 불확실성 하에서 두 개의 부분적으로 지정된 유틸리티 함수 간의 유사도 측정으로서의 확률적 거리를 수학적으로 정의한다.
• 동적 프로그래밍과 확률적 추론 기법을 활용하여 이 거리를 효율적으로 계산할 수 있는 알고리즘을 제안한다.
• 모든 일관된 완성치를 고려하고 기대 거리를 계산하여 부분 유틸리티 지정을 처리한다.
• 베이지안 프레임워크를 사용하여 유틸리티 값의 불확실성을 모델링하고, 가능한 완성치 전역에서 기대 유사도를 계산한다.
• 알고리즘은 부분적으로 지정된 환자 선호도를 가진 실제 의료 데이터셋에 구현되고 평가된다.
• 기존의 거리 측정법과의 비교 분석을 통해 불확실한 환경에서의 강건성과 일관성을 평가한다.

실험 결과

연구 질문

• RQ1 불확실성 존재 하에서 부분적으로 지정된 유틸리티 함수 간의 유사도를 어떻게 의미 있게 측정할 수 있는가?
• RQ2 불확실성을 포함하는 도메인으로 사례 기반 선호도 추출 접근법을 효과적으로 확장할 수 있는가?
• RQ3 부분적으로 지정된 유틸리티 함수 간의 확률적 거리 계산의 계산 복잡도와 실현 가능성은 어떠한가?
• RQ4 기존 측정법과 비교해 볼 때 제안된 확률적 거리는 선호도 구조에 대한 일관성과 민감도 측면에서 어떻게 다른가?
• RQ5 의료 의사결정과 같은 실제 상황에서 이 방법은 어떻게 실용적으로 적용 가능한가?

주요 결과

• 기존 측정법이 정의되지 않는 불확실성 하에서 부분적으로 지정된 유틸리티 함수에 대해 제안된 확률적 거리 측정법은 계산 가능하고 효과적이다.
• 알고리즘은 선호도가 불완전한 의료 데이터셋에서 유사도를 성공적으로 계산하여 실용적 적용 가능성을 입증한다.
• 불확실한 환경에서의 일관성과 선호도 구조에 대한 민감도 측면에서 기존 거리 측정법보다 본 방법이 뛰어나다.
• 분석적 비교를 통해 확률적 거리가 유틸리티 표현 내부의 본질적 불확실성을 더 잘 반영하는 것으로 드러났다.
• 불확실하고 불완전한 선호도를 포함한 도메인에서 선호도 추출을 위한 사례 기반 접근법이 실현 가능하고 효과적임이 검증되었다.