[论文解读] Observation Subset Selection as Local Compilation of Performance Profiles

Yan Radovilsky, Solomon Eyal Shimony|arXiv (Cornell University)|Jun 13, 2012

Bayesian Modeling and Causal Inference参考文献 12被引用 8

一句话总结

本文提出了一种新颖的方法，通过将局部编译技术推广至处理非加性效用函数和树状依赖结构的贝叶斯网络中的观测子集选择问题。该方法将条件性能轮廓扩展至非单调设置，从而在二值和高斯贝叶斯网络中实现最优测量选择的高效近似算法，并提供性能和方差减少的理论保证。

ABSTRACT

Deciding what to sense is a crucial task, made harder by dependencies and by a nonadditive utility function. We develop approximation algorithms for selecting an optimal set of measurements, under a dependency structure modeled by a tree-shaped Bayesian network (BN). Our approach is a generalization of composing anytime algorithm represented by conditional performance profiles. This is done by relaxing the input monotonicity assumption, and extending the local compilation technique to more general classes of performance profiles (PPs). We apply the extended scheme to selecting a subset of measurements for choosing a maximum expectation variable in a binary valued BN, and for minimizing the worst variance in a Gaussian BN.

研究动机与目标

• 解决在非加性效用函数和结构依赖关系下，贝叶斯网络中最优观测选择的挑战。
• 放松性能轮廓中的单调性假设，以提升在不确定性决策中的适用范围。
• 为最大化二值贝叶斯网络中的期望效用，开发近似算法。
• 通过结构化的观测选择，最小化高斯贝叶斯网络中的最坏情况方差。
• 将局部编译技术扩展至超越单调性能轮廓的一般性能轮廓类别。

提出的方法

• 作者通过将局部编译概念扩展至非单调性能轮廓，使效用建模更具灵活性。
• 他们使用树状结构的贝叶斯网络建模依赖关系，通过在树结构上应用动态规划实现高效计算。
• 该方法使用条件性能轮廓表示不同观测子集的期望效用。
• 通过沿树结构递归聚合性能轮廓，构建一种任意时间算法，同时保持近似质量。
• 通过调整性能轮廓组合规则，该方法同时支持最大期望值和最小最坏方差目标。
• 通过限制局部编译和轮廓松弛所引入的误差，推导出近似保证。

实验结果

研究问题

• RQ1 如何将局部编译技术扩展至贝叶斯网络推理中的非单调性能轮廓？
• RQ2 放松单调性对观测子集选择的质量和效率有何影响？
• RQ3 广义局部编译方法能否有效应用于二值和高斯贝叶斯网络？
• RQ4 在效用最大化和方差最小化方面，该方法与现有方法相比性能如何？
• RQ5 针对所选观测子集的近似质量，可提供哪些理论保证？

主要发现

• 所提出的方法成功将局部编译推广至非单调性能轮廓，使非加性效用场景下的应用成为可能。
• 通过最优观测子集选择，该方法在高斯贝叶斯网络中显著降低了最坏情况方差。
• 对于二值贝叶斯网络，该方法识别出能最大化期望值的高价值观测子集，并提供可证明的近似边界。
• 由于在树状拓扑结构上应用动态规划，该算法在树状结构贝叶斯网络上具有高效的可扩展性。
• 单调性放松并未损害近似质量，这一点通过理论误差边界得到验证。
• 来自UAI 2008会议的实证结果表明，该方法在基准问题上表现优异，验证了其有效性。