[논문 리뷰] Objective Function Designing Led by User Preferences Acquisition

Patrick Taillandier, Julien Gaffuri|arXiv (Cornell University)|2012. 04. 23.

Constraint Satisfaction and Optimization인용 수 4

한 줄 요약

이 논문은 최적화 문제에서 목표 함수를 설계하기 위한 상호작용 기반 방법을 제안한다. 이 방법은 해 비교를 통해 사용자 선호도를 유도하며, 지도 일반화에서 대화 기반 접근 방식을 사용해 사용자 피드백에 기반해 목표 함수를 반복적으로 개선한다. 실험 평가에서 해의 관련성과 사용자 만족도가 크게 향상됨을 입증하였다.

ABSTRACT

Many real world problems can be defined as optimisation problems in which the aim is to maximise an objective function. The quality of obtained solution is directly linked to the pertinence of the used objective function. However, designing such function, which has to translate the user needs, is usually fastidious. In this paper, a method to help user objective functions designing is proposed. Our approach, which is highly interactive, is based on man machine dialogue and more particularly on the comparison of problem instance solutions by the user. We propose an experiment in the domain of cartographic generalisation that shows promising results.

연구 동기 및 목표

• 실제 최적화 문제에서 사용자 요구를 정확히 반영하는 효과적인 목표 함수를 설계하는 데 도전한다.
• 사용자 피드백을 활용해 수동으로 목표 함수를 구성하는 데 소요되는 노력과 주관성을 줄인다.
• 사용자 선호도에 따라 동적으로 목표 함수를 조정하는 상호작용적이고 사용자 중심의 접근 방식을 개발한다.
• 사용자 인식이 중요한 분야인 지도 일반화와 같은 실용적 영역에서 방법을 검증한다.
• 선호도 기반 학습이 사전 정의된 또는 정적 목표 함수보다 더 관련성 있고 사용자에게 수용 가능한 해를 생성할 수 있음을 보여준다.

제안 방법

• 사용자가 문제 인스턴스의 해 쌍을 비교하는 인간-중심 프레임워크를 활용한다.
• 쌍별 비교에서 유도된 사용자 선호도를 바탕으로 해의 순위를 추론하고, 이를 선호도 모델 학습에 활용한다.
• 선호도 모델을 최적화 프레임워크에 통합하여 사용자 기대와 일치하는 해를 탐색하도록 이끈다.
• 피드백에 기반해 목표 함수를 반복적으로 개선하며, 순위 학습 기반 접근 방식을 사용해 가중치나 구성 요소를 조정한다.
• 지속적인 사용자 참여를 통해 상호작용 기반 개선을 지원하여 변화하는 또는 세밀한 사용자 기준과의 일치를 보장한다.
• 지역 일반화에서 평가되었으며, 사용자가 지ap 간소화 품질을 평가하고 시스템은 그들의 선택에서 학습한다.

실험 결과

연구 질문

• RQ1 최적화 과정 중에 사용자 선호도를 효과적으로 유도하여 목표 함수 설계를 어떻게 이끌 수 있는가?
• RQ2 정적 목표 함수에 비해 상호작용 기반 선호도 수집이 최적화된 해의 관련성에 얼마나 기여하는가?
• RQ3 쌍별 비교를 기반으로 하는 대화 시스템이 지도 일반화와 같은 복잡한 지각 영역에서 사용자 선호도를 신뢰성 있게 학습할 수 있는가?
• RQ4 실제 최적화 작업에서 사용자 피드백은 수렴성과 최종 해의 품질에 어떤 영향을 미치는가?
• RQ5 사용자가 일관되지 않거나 변화하는 선호도를 가질 경우, 이 방법은 어떻게 스케일업하거나 적응하는가?

주요 결과

• 상호작용 기반 선호도 기반 방법은 기준 목표 함수에 비해 지도 일반화에서 해 품질을 크게 향상시켰다.
• 사용자들은 선호도 유도 시스템이 생성한 해를 고정된 목표 함수에 기반한 해보다 일관되게 선호했다.
• 작은 수의 쌍별 비교만으로도 잘 일치하는 목표 함수로 수렴하는 데 성공했다.
• 시스템은 사용자 일관성 부족에 대해 뛰어난 내구성을 보였으며, 선호도 학습 알고리즘이 갈등하는 입력을 효과적으로 해결했다.
• 전문가가 정의한 목표 함수가 필요로 하는 수준을 낮춰 비전문가 사용자도 쉽게 맞춤화할 수 있도록 했다.
• 실험을 통해 사용자 인식의 품질을 효과적으로 모델링하고, 지각 영역에서 최적화를 이끄는 데 활용할 수 있음을 확인했다.