[论文解读] UCP-Networks: A Directed Graphical Representation of Conditional Utilities

Craig Boutilier, Fahiem Bacchus+1 more|arXiv (Cornell University)|Jan 10, 2013

Bayesian Modeling and Causal Inference参考文献 12被引用 185

一句话总结

本文提出了UCP-networks，一种有向图模型，通过在ceteris paribus解释下将加法效用因子与CP-net风格的条件偏好相结合，表示条件效用函数。该方法可高效计算优化和支配查询，并支持一种交互式获取过程，通过不断细化权衡权重直至低于用户指定阈值，从而最小化遗憾。

ABSTRACT

We propose a new directed graphical representation of utility functions, called UCP-networks, that combines aspects of two existing graphical models: generalized additive models and CP-networks. The network decomposes a utility function into a number of additive factors, with the directionality of the arcs reflecting conditional dependence of preference statements - in the underlying (qualitative) preference ordering - under a {em ceteris paribus} (all else being equal) interpretation. This representation is arguably natural in many settings. Furthermore, the strong CP-semantics ensures that computation of optimization and dominance queries is very efficient. We also demonstrate the value of this representation in decision making. Finally, we describe an interactive elicitation procedure that takes advantage of the linear nature of the constraints on "`tradeoff weights" imposed by a UCP-network. This procedure allows the network to be refined until the regret of the decision with minimax regret (with respect to the incompletely specified utility function) falls below a specified threshold (e.g., the cost of further questioning.

研究动机与目标

• 开发一种自然且高效的图形化表示方法，用于不确定性条件下的条件效用函数。
• 将广义加法模型与CP-networks的优势整合到统一的效用建模框架中。
• 利用网络的有向结构，实现优化和支配查询的高效计算。
• 通过逐步细化权衡权重的交互式获取过程，支持最小化遗憾的决策过程。
• 提供一种可扩展且可解释的方法，用于在多属性决策问题中表示复杂且条件化的偏好。

提出的方法

• UCP-network将效用函数表示为有向无环图，其中节点表示效用因子，边编码偏好陈述中的条件依赖关系。
• 每个节点对应一个依赖于属性子集的局部效用因子，其条件概率或权重反映权衡关系。
• 该网络采用ceteris paribus语义，即在其他所有属性保持不变的假设下评估偏好。
• 通过在有向图上使用动态规划或局部传播技术，高效计算优化和支配查询。
• 提出一种交互式获取过程，根据用户反馈逐步细化权衡权重，从而在决策过程中最小化遗憾。
• 该方法对权衡权重施加线性约束，从而实现高效的遗憾分析，并在指定阈值内收敛至解。

实验结果

研究问题

• RQ1 如何利用有向图模型高效表示具有ceteris paribus偏好的条件效用函数？
• RQ2 此类模型中支配与优化查询的计算复杂度是多少？
• RQ3 能否设计一种交互式获取过程，以在效用规格不完整的情况下最小化决策遗憾？
• RQ4 对权衡权重施加的线性约束如何影响获取过程的收敛性与准确性？
• RQ5 UCP-network表示在多属性决策问题中，在可解释性与可扩展性方面有多大程度的提升？

主要发现

• 由于网络的有向结构和ceteris paribus语义，UCP-network能够高效计算支配与优化查询。
• 该模型支持一种交互式获取过程，通过不断细化权衡权重直至低于用户定义的阈值，从而减少决策遗憾。
• 对权衡权重施加的线性约束使得在获取过程中能够实现可扩展且可处理的遗憾最小化。
• 将加法效用因子与CP-net风格的条件偏好相结合，产生了对复杂偏好结构自然且直观的表示。
• 该框架在偏好为条件性且不完整的情况下，展示了在决策场景中的实际应用价值。
• 该方法在表达能力、效率与用户交互之间实现了良好平衡，适用于现实世界中的决策支持系统。