[论文解读] On the decomposition of Generalized Additive Independence models

Michel Grabisch, Christophe Labreuche|arXiv (Cornell University)|Jan 1, 2015

Multi-Criteria Decision Making参考文献 19被引用 1

一句话总结

本文提出将离散2-可加GAI模型分解为非负单调项，将优化复杂度从指数级降低至二次方级。该方法通过简化模型结构，使这些通常复杂的模型得以实际应用，同时保持效用表示能力。

ABSTRACT

The GAI (Generalized Additive Independence) model proposed by Fishburn is a generalization of the additive utility model, which need not satisfy mutual preferential independence. Its great generality makes however its application and study difficult. We consider a significant subclass of GAI models, namely the discrete 2-additive GAI models, and provide for this class a decomposition into nonnegative monotone terms. This decomposition allows a reduction from exponential to quadratic complexity in any optimization problem involving discrete 2-additive models, making them usable in practice

研究动机与目标

• 为解决由于GAI模型的通用性导致的高计算复杂度问题。
• 识别并分析一个可处理的GAI模型子类——具体为离散2-可加GAI模型——以实现高效优化。
• 开发一种分解方法，将复杂GAI模型转化为更简单的非负单调组件。
• 通过将计算复杂度从指数级降低至二次方级，实现决策情境中的高效优化。

提出的方法

• 本文聚焦于离散2-可加GAI模型，该类模型在不需互偏好的独立性要求下推广了可加效用模型。
• 提出一种分解技术，将效用函数表示为非负单调项的和。
• 该分解利用2-可加模型的结构，分离出成对和个体的效用贡献。
• 该方法确保各组件的单调性和非负性，同时保持模型的表示能力。
• 通过将效用函数重构为这些组件，该方法可借助二次方时间算法实现高效优化。

实验结果

研究问题

• RQ1 如何降低离散2-可加GAI模型的计算复杂度，以实现实际应用？
• RQ2 何种结构分解可实现2-可加GAI模型的非负单调表示？
• RQ3 2-可加GAI模型的效用函数能否表示为更简单、可处理的组件之和？
• RQ4 该分解在实现高效优化的同时，能在多大程度上保持模型的表示能力？

主要发现

• 所提出的分解方法将离散2-可加GAI模型转化为非负单调项的和，从而实现高效优化。
• 该方法将优化问题的计算复杂度从指数级降低至二次方级。
• 该分解保持了模型表示复杂偏好能力，且无需互偏好的独立性假设。
• 该方法使此前难以处理的GAI模型在现实世界决策支持应用中具备计算可行性。