[논문 리뷰] Utility Elicitation as a Classification Problem

Urszula Chajewska, Lise Getoor외 2명|arXiv (Cornell University)|2013. 01. 30.

Bayesian Modeling and Causal Inference참고 문헌 19인용 수 68

한 줄 요약

이 논문은 기존에 수집된 유틸리티 함수 데이터베이스를 활용하여 군집화와 거리 측도를 통해 새로운 사용자의 유틸리티를 추론하는 분류 기반 접근법을 제안한다. 유사한 유틸리티 프로파일을 식별함으로써, 평가 수요를 크게 줄여 더 적고 단순한 평가로도 충분히 수행할 수 있으며, 선호도 전용 방법보다 더 뛰어난 내성적 특성을 확보한다. 임상적 유효성은 산전 진단 분야에서 입증되었다.

ABSTRACT

We investigate the application of classification techniques to utility elicitation. In a decision problem, two sets of parameters must generally be elicited: the probabilities and the utilities. While the prior and conditional probabilities in the model do not change from user to user, the utility models do. Thus it is necessary to elicit a utility model separately for each new user. Elicitation is long and tedious, particularly if the outcome space is large and not decomposable. There are two common approaches to utility function elicitation. The first is to base the determination of the users utility function solely ON elicitation OF qualitative preferences.The second makes assumptions about the form AND decomposability OF the utility function.Here we take a different approach: we attempt TO identify the new USERs utility function based on classification relative to a database of previously collected utility functions. We do this by identifying clusters of utility functions that minimize an appropriate distance measure. Having identified the clusters, we develop a classification scheme that requires many fewer and simpler assessments than full utility elicitation and is more robust than utility elicitation based solely on preferences. We have tested our algorithm on a small database of utility functions in a prenatal diagnosis domain and the results are quite promising.

연구 동기 및 목표

• 사용자 평가 수요를 최소화함으로써 개인화된 의사결정에서 유틸리티 추출의 부담을 줄이는 것.
• 선호도 전용 유틸리티 추출 방법과 비교해 내성적 특성을 향상시키는 것.
• 이전에 추출된 유틸리티 함수 데이터베이스를 활용해 새로운 사용자의 유틸리티 함수를 신속히 추론할 수 있도록 하는 것.
• 각 새로운 사용자에게 완전한 유틸리티 추출을 피하는 확장 가능한 데이터 기반 방법을 개발하는 것.
• 실제 의료 의사결정 영역(산전 진단)에서의 성능을 평가하는 것.

제안 방법

• 구조적 및 가치 기반 유사성을 반영하는 거리 측도를 사용해 이전에 추출된 유틸리티 함수를 군집화한다.
• 분류 기법을 적용해 새로운 사용자를 유틸리티 함수의 유사한 군집에 할당한다.
• 군집의 대표 유틸리티 모델에 기반해 최소한의 선호도 평가 세트를 제안한다.
• 결과 값과 유틸리티 구조를 고려한 도메인 특화 거리 측도를 사용해 유틸리티 함수 간의 거리를 계산한다.
• 유사한 유틸리티 프로파일을 가진 사용자를 그룹화할 수 있으며, 이는 완전한 추출이 필요 없도록 한다.
• 분류 모델은 산전 진단 맥락에서 이전 사용자로부터 수집된 유틸리티 함수 데이터베이스를 기반으로 훈련된다.

실험 결과

연구 질문

• RQ1 기존 데이터를 활용해 유틸리티 추출을 분류 문제로 효과적으로 재정의할 수 있는가?
• RQ2 유틸리티 함수 군집화가 최소한의 사용자 입력으로 새로운 사용자의 유틸리티 함수를 얼마나 잘 예측할 수 있는가?
• RQ3 분류 기반 접근법은 완전한 추출 대비 평가 부담을 줄이면서도 정확도를 유지하는가?
• RQ4 선호도 전용 추출 기법과 비교해 이 방법은 얼마나 더 내성적 특성이 강한가?
• RQ5 실제 의료 의사결정 상황에서의 성능은 어떠한가?

주요 결과

• 분류 기반 접근법은 완전한 유틸리티 추출 대비 요구되는 평가 수를 크게 줄였다.
• 선호도 전용 추출 전략에 비해 내성적 특성이 향상됨을 입증했다.
• 거리 측도를 기반으로 한 유틸리티 함수 군집화가 새로운 사용자의 유틸리티 함수를 정확하게 예측하는 데 기여했다.
• 산전 진단 분야에서 유의미한 성과를 달성하여 실생활 응용 가능성에 대한 타당성을 입증했다.
• 이전에 수집된 유틸리티 데이터를 활용해 더 적고 단순한 평가로 시스템이 기능했다.
• 결과는 과거 유틸리티 데이터가 신속하고 개인화된 유틸리티 추론을 효과적으로 지원할 수 있음을 시사한다.