[论文解读] Utility Elicitation as a Classification Problem

Urszula Chajewska, Lise Getoor+2 more|arXiv (Cornell University)|Jan 30, 2013

Bayesian Modeling and Causal Inference参考文献 19被引用 68

一句话总结

本文提出了一种基于分类的方法，用于决策支持系统中的效用获取，利用先前收集的效用函数数据库，通过聚类和距离度量推断新用户的效用。通过识别相似的效用配置，该方法显著减少了获取效用所需的工作量——仅需更少、更简单的评估——同时相比仅依赖偏好的方法，提高了鲁棒性，在产前诊断领域取得了有希望的结果。

ABSTRACT

We investigate the application of classification techniques to utility elicitation. In a decision problem, two sets of parameters must generally be elicited: the probabilities and the utilities. While the prior and conditional probabilities in the model do not change from user to user, the utility models do. Thus it is necessary to elicit a utility model separately for each new user. Elicitation is long and tedious, particularly if the outcome space is large and not decomposable. There are two common approaches to utility function elicitation. The first is to base the determination of the users utility function solely ON elicitation OF qualitative preferences.The second makes assumptions about the form AND decomposability OF the utility function.Here we take a different approach: we attempt TO identify the new USERs utility function based on classification relative to a database of previously collected utility functions. We do this by identifying clusters of utility functions that minimize an appropriate distance measure. Having identified the clusters, we develop a classification scheme that requires many fewer and simpler assessments than full utility elicitation and is more robust than utility elicitation based solely on preferences. We have tested our algorithm on a small database of utility functions in a prenatal diagnosis domain and the results are quite promising.

研究动机与目标

• 通过最小化用户评估，减少个性化决策中效用获取的负担。
• 与仅依赖偏好的效用获取方法相比，提高鲁棒性。
• 利用先前获取的效用函数数据库，实现对新用户效用函数的快速推断。
• 开发一种可扩展、数据驱动的方法，避免对每位新用户进行完整效用获取。
• 在真实世界的医学决策领域（产前诊断）评估该方法的性能。

提出的方法

• 使用捕捉结构相似性和基于取值相似性的距离度量，对先前获取的效用函数进行聚类。
• 应用分类技术，将新用户分配到最相似的效用函数聚类中。
• 系统根据聚类的代表性效用模型，推荐一组最小化的偏好评估。
• 使用考虑结果取值和效用结构的领域特定度量，计算效用函数之间的距离。
• 该方法假设具有相似效用配置的用户可被分组，从而减少对完整获取的需求。
• 分类模型基于在产前诊断背景下从先前用户收集的效用函数数据库进行训练。

实验结果

研究问题

• RQ1 能否通过利用历史数据，将效用获取有效重构为一个分类问题？
• RQ2 基于距离度量的效用函数聚类在仅需最少用户输入的情况下，预测新用户效用函数的性能如何？
• RQ3 与完整获取相比，基于分类的方法是否在保持准确性的同时减少了获取工作量？
• RQ4 与仅依赖偏好的获取技术相比，该方法在鲁棒性方面表现如何？
• RQ5 该方法在真实世界医学决策场景中的表现如何？

主要发现

• 基于分类的方法显著减少了与完整效用获取相比所需的评估数量。
• 该方法在鲁棒性方面优于仅依赖偏好的效用获取策略。
• 基于距离度量对效用函数进行聚类，实现了对新用户效用函数的准确预测。
• 该方法在产前诊断领域取得了有希望的结果，验证了其在真实世界应用中的可行性。
• 通过利用先前收集的效用数据，系统减少了评估次数和评估复杂度。
• 结果表明，历史效用数据可有效支持快速、个性化的效用推断。