[论文解读] Myopic Value of Information in Influence Diagrams

Sören Dittmer, Finn V. Jensen|arXiv (Cornell University)|Feb 6, 2013

Bayesian Modeling and Causal Inference参考文献 11被引用 46

一句话总结

本文提出一种基于强联结树框架计算影响图中信息的短视价值的方法，通过表格扩展实现实例化顺序的高效重配置。通过复用一张修改后的联结树并调整表格，该方法避免了冗余建模，显著提升了传统方法（需为每种顺序单独建模）的计算效率。

ABSTRACT

We present a method for calculation of myopic value of information in influence diagrams (Howard & Matheson, 1981) based on the strong junction tree framework (Jensen, Jensen & Dittmer, 1994). The difference in instantiation order in the influence diagrams is reflected in the corresponding junction trees by the order in which the chance nodes are marginalized. This order of marginalization can be changed by table expansion and in effect the same junction tree with expanded tables may be used for calculating the expected utility for scenarios with different instantiation order. We also compare our method to the classic method of modeling different instantiation orders in the same influence diagram.

研究动机与目标

• 解决使用独立图模型不同实例化顺序在影响图中计算效率低下的问题。
• 实现在不重新构建整个模型的前提下，动态重排机会节点的边际化顺序。
• 利用强联结树框架，高效计算多种实例化顺序下的期望效用。
• 降低在不确定性决策中评估信息价值的计算开销。

提出的方法

• 利用强联结树框架表示影响图及其条件独立性结构。
• 通过改变联结树中机会节点边际化的顺序来表示不同的实例化顺序。
• 采用表格扩展技术修改联结树结构，使同一张树可模拟不同的边际化顺序。
• 复用同一张联结树并扩展表格，无需重新创建图即可计算多种情景下的期望效用。
• 在联结树内应用变量消去原理，高效计算期望效用值。
• 证明边际化顺序的改变可通过表格变换实现，而无需结构重配置。

实验结果

研究问题

• RQ1 如何在影响图中高效计算不同实例化顺序下的短视信息价值？
• RQ2 能否复用单张联结树结构来模拟影响图中多种边际化顺序？
• RQ3 与为每种实例化顺序维护独立图相比，表格扩展的计算优势是什么？
• RQ4 强联结树框架如何支持影响图中节点实例化的动态重排？
• RQ5 边际化顺序对影响图中期望效用计算有何影响？

主要发现

• 所提方法通过单张修改后的联结树，实现了对不同实例化顺序下期望效用的高效计算。
• 表格扩展使同一张联结树可在不改变网络结构的前提下模拟不同的边际化顺序。
• 该方法减少了为不同顺序维护多个独立影响图的需求，提升了模型可维护性。
• 与将每种顺序建模为独立图的经典方法相比，该方法展现出显著的计算节省。
• 强联结树框架通过表格操作支持动态重排，既保持正确性又提升效率。
• 该方法为具有多种潜在观测序列的复杂决策网络中信息价值的评估提供了可扩展的解决方案。