[论文解读] Expected Utility Networks

Piero La Mura, Yoav Shoham|arXiv (Cornell University)|Jan 23, 2013

Bayesian Modeling and Causal Inference参考文献 4被引用 43

一句话总结

本文提出了期望效用网络（EUNs），一种新颖的图模型，通过使用具有独立概率弧和效用弧的无向图，模块化地表示概率依赖性和效用依赖性。它通过在两个子图中利用节点分离实现条件期望效用独立性，从而在不确定性下实现对计划的高效推理，在人工智能和经济决策理论中有应用。

ABSTRACT

We introduce a new class of graphical representations, expected utility networks (EUNs), and discuss some of its properties and potential applications to artificial intelligence and economic theory. In EUNs not only probabilities, but also utilities enjoy a modular representation. EUNs are undirected graphs with two types of arc, representing probability and utility dependencies respectively. The representation of utilities is based on a novel notion of conditional utility independence, which we introduce and discuss in the context of other existing proposals. Just as probabilistic inference involves the computation of conditional probabilities, strategic inference involves the computation of conditional expected utilities for alternative plans of action. We define a new notion of conditional expected utility (EU) independence, and show that in EUNs node separation with respect to the probability and utility subgraphs implies conditional EU independence.

研究动机与目标

• 开发一个统一的图模型框架，用于在不确定性决策中表示概率依赖性和效用依赖性。
• 解决现有模型将效用和概率表示分开或非模块化处理的局限性。
• 形式化一种新的条件效用独立性概念，以支持模块化效用构建。
• 定义条件期望效用（EU）独立性，并将其与EUN中的图分离联系起来。
• 在EUN框架内实现高效的策略推理——计算不同行动的条件期望效用。

提出的方法

• EUNs是具有两种不同类型弧的无向图模型：一种用于概率依赖性，另一种用于效用依赖性。
• 该模型引入了一种新的条件效用独立性概念，推广了现有概念，以支持模块化效用构建。
• 正式定义了条件期望效用独立性，并证明其由概率子图和效用子图中的节点分离所蕴含。
• 通过利用两个子图之间的条件独立性特性，该框架支持高效计算期望效用的推理。
• 该方法整合了贝叶斯网络和效用理论的原则，将其扩展以处理联合的概率和效用推理。
• 为两个子图建立了图分离定理，确保概率网络和效用网络中的d-分离蕴含条件EU独立性。

实验结果

研究问题

• RQ1 如何在单一图模型中以模块化、可扩展的方式表示效用和概率依赖性？
• RQ2 支持模块化效用构建的适当条件效用独立性概念是什么？
• RQ3 如何正式定义条件期望效用独立性并将其与图结构联系起来？
• RQ4 可以从EUN结构中推导出哪些推理算法来计算不同行动的期望效用？
• RQ5 与现有模型相比，EUNs在人工智能和经济理论中的决策制定方面有何改进？

主要发现

• EUNs提供了一个统一的图表示，其中概率和效用通过独立的无向子图模块化编码。
• 本文证明了概率子图和效用子图中的节点分离蕴含条件期望效用独立性。
• 引入了一种新的条件效用独立性概念，该概念推广并扩展了文献中先前的提议。
• 该框架通过利用图分离来计算不同计划的条件期望效用，实现了高效的策略推理。
• 该模型通过支持结构化、可扩展的不确定性下的决策制定，在人工智能和经济理论中具有应用潜力。
• 该理论基础建立在将图结构与期望效用中的条件独立性相联系的正式定理之上，增强了可解释性和推理效率。