[論文レビュー] Utility Elicitation as a Classification Problem

Urszula Chajewska, Lise Getoor+2 more|arXiv (Cornell University)|Jan 30, 2013

Bayesian Modeling and Causal Inference参考文献 19被引用数 68

ひとこと要約

本稿では、以前に収集された効用関数のデータベースを活用して、クラスタリングと距離指標を用いて新しいユーザーの効用を推定する分類ベースのアプローチを提案する。類似した効用プロファイルを特定することで、評価の負担を著しく軽減し、より少ない、より単純な評価で済ませられる。また、好みのみの手法に比べてロバスト性が向上する。妊婦健診分野での実験で有望な結果が得られた。

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.

研究の動機と目的

• 個人に合わせた意思決定における効用の特定の負担を軽減し、ユーザーの評価回数を最小限に抑えること。
• 好みのみの効用特定手法に比べ、ロバスト性を向上させること。
• 以前に特定済みの効用関数のデータベースを活用して、新規ユーザーの効用関数を迅速に推定すること。
• 各ユーザーに対して完全な効用特定を回避するスケーラブルでデータドリブンな手法を開発すること。
• 実世界の医療意思決定分野（妊婦健診）におけるこの手法のパフォーマンスを評価すること。

提案手法

• 構造的および価値ベースの類似性を捉える距離測度を用いて、以前に特定済みの効用関数をクラスタリングする。
• 分類技術を適用し、新しいユーザーを最も類似した効用関数のクラスタに割り当てる。
• クラスタの代表的効用モデルに基づいて、最小限の好み評価を推奨する。
• 結果の値と効用構造を考慮したドメイン固有の距離測度を用いて、効用関数間の距離を計算する。
• 類似した効用プロファイルを持つユーザーはグループ化可能であると仮定し、完全な特定の必要性を低減する。
• 分類モデルは、妊婦健診の文脈で過去のユーザーから収集された効用関数のデータベースを用いて学習される。

実験結果

リサーチクエスチョン

• RQ1 履歴データを活用することで、効用の特定を分類問題として効果的に再定式化できるか？
• RQ2 効用関数のクラスタリングは、最小限のユーザー入力で新しいユーザーの効用関数をどれほど正確に予測できるか？
• RQ3 分類ベースのアプローチは、完全な特定に比べて、評価負担を軽減しながらも正確性を維持できるか？
• RQ4 好みのみの特定手法に比べて、この手法のロバスト性はどの程度向上するか？
• RQ5 実世界の医療意思決定シナリオにおけるこの手法のパフォーマンスはいかがなものか？

主な発見

• 分類ベースのアプローチにより、完全な効用特定に比べて必要な評価回数が著しく減少した。
• この手法は、好みのみの効用特定戦略に比べて、より高いロバスト性を示した。
• 距離指標に基づく効用関数のクラスタリングにより、新しいユーザーの効用関数を正確に予測可能であった。
• このアプローチは妊婦健診分野で有望な結果を示し、実世界応用における実現可能性が裏付けられた。
• 以前に収集された効用データを活用することで、ユーザーの評価回数を減らし、評価の単純化が可能になった。
• 結果から、履歴的な効用データが迅速かつパーソナライズされた効用推定を効果的に支援できることが示唆された。