[论文解读] Local Utility Elicitation in GAI Models

Darius Braziunas, Craig Boutilier|arXiv (Cornell University)|Jul 4, 2012

Advanced Control Systems Optimization被引用 5

一句话总结

本文提出了一种针对广义可加独立性（GAI）模型的局部效用获取方法，该方法使用有针对性的、情境特定的查询，而非对完整结果的全局查询。通过利用GAI结构，该方法实现了高效且概率上可靠的参数获取，在大规模模型中通过一种短视的信息价值策略进行验证，显著降低了认知负担，同时保持了准确性。

ABSTRACT

Structured utility models are essential for the effective representation and elicitation of complex multiattribute utility functions. Generalized additive independence (GAI) models provide an attractive structural model of user preferences, offering a balanced tradeoff between simplicity and applicability. While representation and inference with such models is reasonably well understood, elicitation of the parameters of such models has been studied less from a practical perspective. We propose a procedure to elicit GAI model parameters using only "local" utility queries rather than "global" queries over full outcomes. Our local queries take full advantage of GAI structure and provide a sound framework for extending the elicitation procedure to settings where the uncertainty over utility parameters is represented probabilistically. We describe experiments using a myopic value-of-information approach to elicitation in a large GAI model.

研究动机与目标

• 为解决在复杂多属性效用模型中以最小用户负担获取参数的挑战。
• 开发一种实用的获取框架，避免对完整结果进行全局查询，因为这会使用户感到认知超载。
• 利用GAI模型的结构特性，设计高效、局部的查询，以保持效用模型的完整性。
• 通过稳健的获取过程，支持对效用参数不确定性的概率表示。
• 使用基于信息价值的查询选择策略，在大规模GAI模型中评估该方法。

提出的方法

• 该方法使用聚焦于属性子集的局部查询，而非完整结果，从而降低用户的认知负担。
• 它利用GAI结构，将效用函数分解为条件独立的组成部分，从而实现局部评估。
• 采用短视的信息价值方法，根据预期减少参数不确定性的程度来选择下一个查询。
• 该获取过程被设计为可扩展至支持效用参数不确定性概率表示的场景。
• 查询被制定为以保持与GAI模型加法独立性结构一致的方式获取效用参数。
• 该框架通过一系列有针对性的、情境特定的问题，支持效用参数的迭代精炼。

实验结果

研究问题

• RQ1 如何在不需用户评估完整结果的情况下，高效获取GAI模型中的效用参数？
• RQ2 哪些查询类型和结构能够利用GAI模型的特性以减少认知负担？
• RQ3 如何选择局部查询，以在概率参数估计背景下实现最大信息增益？
• RQ4 短视的信息价值策略能否有效指导大规模GAI模型中的局部获取？
• RQ5 与全局方法相比，局部获取在多大程度上保持了结果效用模型的准确性？

主要发现

• 该局部获取程序通过避免完整结果评估，显著降低了用户认知需求。
• 该方法通过利用GAI模型的结构约束，成功保持了模型的准确性。
• 短视的信息价值策略有效优先选择了能带来最大预期参数不确定性减少的查询。
• 该方法具有可扩展性，适用于大规模GAI模型，实验评估已证明这一点。
• 该框架支持对效用参数不确定性的概率表示，从而在模糊性下实现稳健决策。
• 结果表明，局部查询可在显著降低用户投入的前提下，实现与全局方法相当的效用模型质量。