[论文解读] Problem-Focused Incremental Elicitation of Multi-Attribute Utility Models

Vu Ha, Peter Haddawy|arXiv (Cornell University)|Feb 6, 2013

Bayesian Modeling and Causal Inference参考文献 10被引用 7

一句话总结

本文提出了一种面向问题的、增量式获取方法，用于决策系统中的多属性效用模型，其中仅在必要时获取效用信息，并由领域模型引导。该方法通过早期识别次优计划并最小化获取开销，实现了高效规划，尤其适用于时间敏感或低重要性的情境。

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的不平衡问题，即概率获取已得到充分研究，而效用获取仍处于发展初期。
• 减少交互式决策系统中的获取开销，特别是在时间敏感或低重要性的情境下。
• 开发一种仅在需要时基于决策问题结构增量获取效用信息的方法。
• 通过分析未知效用函数的条件，实现对次优计划的早期检测。
• 将领域特定的约束和结构整合到获取过程中，以指导高效获取效用数据。

提出的方法

• 使用具有不完整效用函数的多属性效用模型形式化决策问题。
• 利用领域模型约束，识别在无需完整效用知识的情况下可证明计划为次优的条件。
• 应用增量获取：仅查询解决计划排序模糊性所必需的最小效用参数集合。
• 利用问题结构（例如属性依赖关系、约束）优先确定需获取的效用参数。
• 将获取的效用数据集成到基于决策理论的规划器中，每次查询后重新评估计划的最优性。
• 使用逻辑和代数推理，在部分效用信息下检测计划的支配性或次优性。

实验结果

研究问题

• RQ1 在哪些类别的决策问题中，可以在不完整指定效用函数的情况下检测到次优计划？
• RQ2 如何在时间敏感环境中最小化效用获取，同时确保正确选择计划？
• RQ3 领域模型在指导优先获取哪些效用参数方面发挥什么作用？
• RQ4 增量获取能否在不牺牲最优性保证的前提下集成到规划系统中？
• RQ5 系统如何检测何时需要额外的效用信息以解决计划排序中的模糊性？

主要发现

• 通过分析未知效用函数的条件，该方法能够早期检测次优计划，从而减少对完整获取的需求。
• 通过聚焦于由领域模型提供的相关效用参数，显著降低了获取工作量。
• 该方法在最小化用户交互的同时保持了最优性保证，尤其适用于低重要性或时间敏感的应用场景。
• 该框架支持在规划过程中对效用模型进行增量优化，避免了对完整效用函数的前期获取。
• 来自UAI 1997会议的实证结果表明，该方法能以最少的查询有效剪枝次优计划。
• 将领域结构整合到获取过程中，相比随机或均匀查询，能实现更高效、更精准的信息获取。