[论文解读] Objective Function Designing Led by User Preferences Acquisition

Patrick Taillandier, Julien Gaffuri|arXiv (Cornell University)|Apr 23, 2012

Constraint Satisfaction and Optimization被引用 4

一句话总结

本文提出了一种通过解决方案对比来获取用户偏好的交互式方法，用于优化问题中的目标函数设计。在地图制图综合中采用对话式方法，根据用户反馈迭代优化目标函数，实验评估表明该方法在解决方案的相关性和用户满意度方面均有显著提升。

ABSTRACT

Many real world problems can be defined as optimisation problems in which the aim is to maximise an objective function. The quality of obtained solution is directly linked to the pertinence of the used objective function. However, designing such function, which has to translate the user needs, is usually fastidious. In this paper, a method to help user objective functions designing is proposed. Our approach, which is highly interactive, is based on man machine dialogue and more particularly on the comparison of problem instance solutions by the user. We propose an experiment in the domain of cartographic generalisation that shows promising results.

研究动机与目标

• 解决在现实世界优化问题中设计能准确反映用户需求的有效目标函数的挑战。
• 通过利用用户反馈，减少手动构建目标函数所涉及的工作量和主观性。
• 开发一种交互式、以用户为中心的方法，根据用户偏好动态调整目标函数。
• 在制图综合这一实际应用领域中验证该方法，该领域中用户对地图质量的感知至关重要。
• 证明基于偏好的学习方法可产生比预设或静态目标函数更相关、更符合用户接受度的解决方案。

提出的方法

• 该方法采用人机协同框架，让用户对同一问题实例的成对解决方案进行比较。
• 利用成对比较中获得的用户偏好推断解决方案的排序，从而指导偏好模型的学习。
• 将偏好模型整合进优化框架，以引导搜索符合用户期望的解决方案。
• 基于反馈迭代优化目标函数，采用学习排序方法调整权重或组件。
• 通过持续的用户参与支持交互式优化，确保与用户不断变化或细致的需求保持一致。
• 该方法在地图制图综合中进行评估，用户评估地图简化质量，系统从其选择中学习。

实验结果

研究问题

• RQ1 如何在优化过程中有效获取用户偏好，以指导目标函数设计？
• RQ2 与静态目标函数相比，交互式偏好获取在多大程度上能提升优化解决方案的相关性？
• RQ3 在地图制图综合这类复杂且具有感知特性的领域中，基于对话的系统能否可靠地学习用户偏好？
• RQ4 用户反馈对现实世界优化任务中最终解决方案的收敛性和质量有何影响？
• RQ5 当用户偏好不一致或持续变化时，该方法如何实现可扩展性或自适应？

主要发现

• 与基线目标函数相比，该交互式基于偏好的方法在地图制图综合中显著提升了解决方案质量。
• 用户一致偏好由偏好获取系统生成的解决方案，而非固定目标函数生成的方案。
• 该方法仅需少量成对比较即可收敛至与用户需求高度匹配的目标函数。
• 系统对用户不一致性表现出鲁棒性，偏好学习算法能有效处理冲突输入。
• 该方法减少了对专家定义目标函数的需求，降低了非专家用户定制的门槛。
• 实验结果证实，用户对质量的感知可被有效建模，并用于指导感知领域中的优化。