[论文解读] Conditional Utility, Utility Independence, and Utility Networks

Yoav Shoham|arXiv (Cornell University)|Feb 6, 2013

Bayesian Modeling and Causal Inference参考文献 3被引用 5

一句话总结

本文通过将效用分布与概率分布相对应，提出了一种对条件效用和效用独立性的新颖解释——效用分布的结构与概率分布相似。它提出了效用网络，作为多属性效用函数的紧凑图形化表示，支持类似贝叶斯网络的高效建模与推理，其形式化基础建立在可加效用结构与独立性属性之上。

ABSTRACT

We introduce a new interpretation of two related notions - conditional utility and utility independence. Unlike the traditional interpretation, the new interpretation renders the notions the direct analogues of their probabilistic counterparts. To capture these notions formally, we appeal to the notion of utility distribution, introduced in previous paper. We show that utility distributions, which have a structure that is identical to that of probability distributions, can be viewed as a special case of an additive multiattribute utility functions, and show how this special case permits us to capture the novel senses of conditional utility and utility independence. Finally, we present the notion of utility networks, which do for utilities what Bayesian networks do for probabilities. Specifically, utility networks exploit the new interpretation of conditional utility and utility independence to compactly represent a utility distribution.

研究动机与目标

• 以与概率对应物相一致的方式重新定义条件效用和效用独立性。
• 将效用分布形式化为可加多属性效用函数的一个特例。
• 开发一种图形化框架——效用网络，以实现复杂效用结构的紧凑表示。
• 通过结构感知建模实现高效的基于效用的决策，类似于贝叶斯网络。
• 建立效用独立性与条件效用之间的正式联系，以支持可扩展的推理。

提出的方法

• 本文引入效用分布，作为多属性效用的结构化表示，类似于联合概率分布。
• 将条件效用定义为对效用分布的函数，类似于条件概率，从而实现特定上下文下的效用评估。
• 通过效用分布的结构重新诠释效用独立性，实现效用函数的模块化分解。
• 该框架利用可加多属性效用函数来建模多个属性上的偏好，同时满足独立性约束。
• 通过将条件效用和独立性关系编码到有向无环图中，构建效用网络，类似于贝叶斯网络。
• 图形结构使得高维效用函数的高效推理与紧凑表示成为可能。

实验结果

研究问题

• RQ1 如何以形式化且一致的方式重新诠释条件效用，使其与条件概率相对应？
• RQ2 在何种意义上，效用独立性可以被重新定义，以类比于概率中的条件独立性？
• RQ3 效用分布能否被形式化为可加多属性效用函数的一个特例？
• RQ4 如何利用效用分布的结构构建一个紧凑的图形化效用模型？
• RQ5 效用网络与贝叶斯网络在表示与推理方面存在何种正式关系？

主要发现

• 正式证明了效用分布是可加多属性效用函数的一个特例，为效用建模提供了统一结构。
• 以与条件概率直接类比的方式重新定义了条件效用，实现了稳定且可解释的特定上下文效用评估。
• 通过效用分布的视角重新诠释了效用独立性，实现了模块化且可扩展的效用表示。
• 引入了效用网络作为效用的图形模型，类似于贝叶斯网络在概率中的角色，实现了紧凑且高效的表示。
• 通过利用条件独立性和模块化结构，该框架支持对多属性效用函数的高效推理。
• 该方法能够以人类可理解且计算上可行的方式，表示复杂且高维的偏好。