[论文解读] Problem-focused incremental elicitation of multi-attribute tility models

Vu Ha, Peter Haddawy|arXiv (Cornell University)|Aug 1, 1997

Bayesian Modeling and Causal Inference参考文献 13被引用 56

一句话总结

本文提出了一种增量式、以问题为导向的方法，用于在决策系统中获取多属性效用模型，仅在必要时利用领域知识引导效用查询。该方法可在效用信息不完整的情况下，实现对次优计划的早期检测，从而在时间敏感或低重要性的情境下减少获取过程的开销。

ABSTRACT

Decision theory has become widely accepted in the AI community as a useful framework for planning and decision making. Applying the framework typically requires elicitation of some form of probability and utility information. While much work in AI has focused on providing representations and tools for elicitation of probabilities, relatively little work has addressed the elicitation of utility models. This imbalance is not particularly justified considering that probability models are relatively stable across problem instances, while utility models may be different for each instance. Spending large amounts of time on elicitation can be undesirable for interactive systems used in low-stakes decision making and in time-critical decision making. In this paper we investigate the issues of reasoning with incomplete utility models. We identify patterns of problem instances where plans can be proved to be suboptimal if the (unknown) utility function satisfies certain conditions. We present an approach to planning and decision making that performs the utility elicitation incrementally and in a way that is informed by the domain model.

研究动机与目标

• 解决人工智能研究中概率获取与效用获取之间的不平衡问题，特别是在时间敏感或低重要性决策情境中。
• 通过识别在效用信息不完整时仍能实现可靠决策的时机，减轻完整效用模型获取的负担。
• 开发一种仅在必要时才逐步获取效用信息的方法，其依据是决策问题的结构和领域模型。
• 在效用函数未知的情况下，实现对次优计划的早期检测，从而提升规划效率。

提出的方法

• 采用以问题为导向的策略，识别评估计划最优性所必需的关键效用参数。
• 通过领域模型的逻辑与结构分析，推断出在无需完整指定效用的情况下，可证明某些计划为次优的条件。
• 通过仅针对可能影响计划支配关系或最优性的效用参数进行增量式获取，实现高效获取。
• 整合领域特定的约束条件及属性之间的关系，以优先安排获取查询。
• 采用一种推理框架，基于部分效用信息检查次优性，尽可能避免完整获取。

实验结果

研究问题

• RQ1 在哪些问题实例中，即使效用模型不完整，仍可检测到次优计划？
• RQ2 如何在时间敏感环境中最小化效用获取，同时仍确保决策质量的可靠性？
• RQ3 领域模型在指导优先获取哪些效用参数方面起到什么作用？
• RQ4 能否对增量式获取进行结构化设计，以避免不必要的查询，同时保持决策的正确性？

主要发现

• 即使未完成全部获取，只要未知效用函数满足特定结构约束，即可形式化识别出次优计划。
• 该方法通过仅关注影响计划支配关系或最优性的效用参数，显著减少了获取工作量。
• 基于领域模型引导的增量式获取，可实现对次优计划的早期检测，从而提升规划效率。
• 该方法在效用信息不完整的情况下仍能保持决策的正确性与可靠性，尤其适用于低重要性或时间敏感的情境。