[论文解读] The Compilation of Decision Models

David Heckerman, John S. Breese+1 more|arXiv (Cornell University)|Mar 27, 2013

Bayesian Modeling and Causal Inference参考文献 13被引用 10

一句话总结

本文提出了一种决策理论框架，通过选择最优的证据子集预先计算为情境-动作映射，以最小化运行时延迟和内存成本，同时最大化效用。研究表明，最优的编译程度取决于证据权重的分布，从而实现了在具有条件独立性假设的工程应用中，增量式、成本感知的知识编译。

ABSTRACT

We introduce and analyze the problem of the compilation of decision models from a decision-theoretic perspective. The techniques described allow us to evaluate various configurations of compiled knowledge given the nature of evidential relationships in a domain, the utilities associated with alternative actions, the costs of run-time delays, and the costs of memory. We describe procedures for selecting a subset of the total observations available to be incorporated into a compiled situation-action mapping, in the context of a binary decision with conditional independence of evidence. The methods allow us to incrementally select the best pieces of evidence to add to the set of compiled knowledge in an engineering setting. After presenting several approaches to compilation, we exercise one of the methods to provide insight into the relationship between the distribution over weights of evidence and the preferred degree of compilation.

研究动机与目标

• 为解决在证据不确定且成本多变的领域中高效编译决策模型的挑战。
• 在决策系统中平衡内存使用、运行时延迟和效用之间的权衡。
• 开发一种方法，用于增量选择最具价值的证据以纳入编译后的知识中。
• 提供一个原则性框架，基于证据权重分布确定最优的编译程度。
• 实现在资源有限的真实世界工程系统中编译后决策模型的实际部署。

提出的方法

• 该方法在证据条件独立的二元决策模型下，评估将每项证据包含在编译知识库中的价值。
• 它制定了一个成本-收益分析，综合考虑动作效用、内存成本和运行时延迟惩罚。
• 提出一种贪心的增量选择过程，基于边际效用增益将最具价值的证据添加到编译模型中。
• 该方法对证据权重分布进行建模，以预测最优性能下的首选编译水平。
• 应用决策理论优化，以确定使单位成本预期效用最大化的观测子集。

实验结果

研究问题

• RQ1 为在最小化总成本的同时最大化效用，应在编译决策模型中包含哪些最优证据子集？
• RQ2 证据权重的分布如何影响首选的编译程度？
• RQ3 在编译模型中，内存成本、运行时延迟和决策准确性之间存在何种权衡？
• RQ4 在知识编译过程中，如何增量选择证据，以实现单位成本的效用增益最大化？
• RQ5 条件独立性对编译决策模型的效率和有效性有何影响？

主要发现

• 最优的编译程度受证据权重分布的强烈影响，重尾分布更有利于激进的编译。
• 增量选择方法能持续识别出高价值证据，在控制内存和延迟成本的同时提升效用。
• 内存和延迟成本被证明是决定编译模型实用性的关键因素。
• 该框架通过战略性地预先计算证据，显著降低了运行时决策成本。
• 该方法仅使用完整证据集的一小部分，即可实现接近最优的性能，展示了在工程环境中的可扩展性和高效性。