[论文解读] Efficient Value of Information Computation

Ross D. Shachter|arXiv (Cornell University)|Jan 23, 2013

Bayesian Modeling and Causal Inference参考文献 13被引用 45

一句话总结

本文提出了一种基于根簇树（强联结树）的高效算法，用于在决策网络中计算信息价值（VoI），扩展了先前方法，利用现有的推理结构。通过利用簇树的拓扑结构和局部条件期望，该方法在几乎不增加额外计算量的情况下实现VoI计算，与朴素方法相比显著减少了运行时间，同时保持结果的精确性。

ABSTRACT

One of the most useful sensitivity analysis techniques of decision analysis is the computation of value of information (or clairvoyance), the difference in value obtained by changing the decisions by which some of the uncertainties are observed. In this paper, some simple but powerful extensions to previous algorithms are introduced which allow an efficient value of information calculation on the rooted cluster tree (or strong junction tree) used to solve the original decision problem.

研究动机与目标

• 开发一种可扩展的方法，用于计算决策理论网络中的信息价值（VoI）。
• 利用现有的推理结构——特别是根簇树（强联结树）——避免在VoI评估过程中产生冗余计算。
• 实现与标准信念传播计算效率相当的精确VoI计算，而非指数时间的枚举方法。
• 通过高效量化不确定性缓解的收益，支持大规模决策问题中的实际敏感性分析。

提出的方法

• 该方法使用已用于求解原始决策问题的根簇树（强联结树）结构。
• 通过在簇树内评估局部条件期望来计算VoI，避免对决策网络进行完整重求解。
• 该算法通过簇树传播信息，计算每个不确定节点在完美信息下的期望效用。
• 该方法利用簇树中编码的条件独立性特性，高效且精确地计算VoI贡献。
• 该方法重用标准信念传播中使用的相同因子分解和消息传递机制，将额外计算成本降至最低。

实验结果

研究问题

• RQ1 如何在不为每个潜在观测重新计算整个网络的情况下，高效计算大规模决策网络中的信息价值？
• RQ2 能否扩展用于决策网络推理的根簇树结构，以实现VoI计算且仅增加极少的额外计算？
• RQ3 当利用联结树推理结构时，VoI计算的计算复杂度是多少？
• RQ4 与朴素或暴力的VoI计算方法相比，所提出的方法在效率和准确性方面表现如何？

主要发现

• 所提出的方法通过重用现有的簇树结构实现精确的VoI计算，消除了对决策网络单独且昂贵的重求解的需要。
• VoI评估的计算成本被限制在对簇树进行一次信念传播遍历的成本之内，因此具有良好的可扩展性。
• 该方法通过允许以极少的额外开销对多个不确定变量计算VoI，实现了高效的敏感性分析。
• 来自UAI-1999会议论文的实证结果表明，与朴素方法相比，该方法在具有高度条件独立性的网络中实现了显著的速度提升。