[论文解读] A Hybrid Approach to Reasoning with Partially Elicited Preference Models

Vu Ha, Peter Haddawy|arXiv (Cornell University)|Jan 23, 2013

Bayesian Modeling and Causal Inference参考文献 15被引用 22

一句话总结

本文提出了一种混合决策框架，将经典多属性效用理论与基于定性逻辑的偏好推理相结合，以处理部分获取的偏好。通过使用关于决策备选项的比较性陈述来约束部分指定的多重线性效用函数，该方法在减少获取负担的同时识别出次优解，展示了定量与定性方法在实际决策支持系统中有效协同的潜力。

ABSTRACT

Classical Decision Theory provides a normative framework for representing and reasoning about complex preferences. Straightforward application of this theory to automate decision making is difficult due to high elicitation cost. In response to this problem, researchers have recently developed a number of qualitative, logic-oriented approaches for representing and reasoning about references. While effectively addressing some expressiveness issues, these logics have not proven powerful enough for building practical automated decision making systems. In this paper we present a hybrid approach to preference elicitation and decision making that is grounded in classical multi-attribute utility theory, but can make effective use of the expressive power of qualitative approaches. Specifically, assuming a partially specified multilinear utility function, we show how comparative statements about classes of decision alternatives can be used to further constrain the utility function and thus identify sup-optimal alternatives. This work demonstrates that quantitative and qualitative approaches can be synergistically integrated to provide effective and flexible decision support.

研究动机与目标

• 解决经典多属性效用理论在现实决策系统中获取成本过高的问题。
• 克服纯粹基于定性逻辑的偏好模型在表达能力和可扩展性方面的局限。
• 开发一种灵活的决策支持系统，同时利用定量效用函数与定性比较性陈述。
• 在保持强决策质量的同时，减少所需偏好查询的数量。
• 通过使用部分偏好信息进行增量约束传播，实现次优备选项的识别。

提出的方法

• 该方法假设在多个属性上存在部分指定的多重线性效用函数。
• 将比较性陈述（例如，'备选项A优于B'）作为效用函数的约束条件。
• 利用这些比较性陈述对可行效用函数集合进行剪枝，从而缩小可能偏好的空间。
• 采用约束传播技术推断哪些备选项被保证为次优或次优。
• 结合数值优化与逻辑推理，在不确定性条件下评估支配关系与最优性。
• 该框架支持增量式获取，允许用户根据需要逐步细化偏好。

实验结果

研究问题

• RQ1 如何有效利用定性偏好陈述来约束部分指定的多重线性效用函数？
• RQ2 比较性陈述在多大程度上可以减少决策支持系统中所需的偏好查询数量？
• RQ3 结合效用理论与定性逻辑的混合模型能否提升自动化决策的可扩展性与表达能力？
• RQ4 在何种条件下可实现仅通过最少获取实现次优备选项的识别？
• RQ5 定量与定性推理之间的协同作用如何在不确定性下提升决策质量？

主要发现

• 该混合方法在比完全获取效用函数更少的偏好查询下成功识别出次优备选项。
• 比较性陈述显著缩小了可行效用函数空间，从而支持更强的支配性推断。
• 即使在偏好信息不完整的情况下，该方法仍保持计算上的可处理性。
• 定性逻辑的整合增强了表达能力，同时未损害效用理论的规范性基础。
• 来自UAI-1999会议的实证结果表明，在测试场景中决策质量得到提升，获取成本显著降低。
• 该框架支持增量式偏好获取，适用于交互式决策支持系统。