×

构建性偏好启发的学习模理论。 (英语) Zbl 1519.68212号

摘要:本文介绍了CLEO,这是一种新的偏好启发算法,能够推荐具有离散和连续属性以及在其上定义的约束的复杂可配置对象。虽然现有的偏好激发技术侧重于在候选人数据库中搜索最佳实例,但CLEO采用建设性的在可行配置空间中通过交互式优化进行推荐的方法。该算法假定最小的初始信息,即一组目录属性,并将决策特征定义为逻辑公式,将布尔约束和代数约束结合在属性上。决策者的(未知)效用被建模为特征的加权组合。CLEO迭代地交替进行偏好激发步骤,其中根据当前实用新型选择一对候选配置,以及优化步骤,其中通过合并收到的反馈来优化实用程序。启发式步骤利用Max-SMT解算器根据当前实用新型返回最佳配置。细化步骤作为学习排序来实现,并使用稀疏范数有利于在候选决策特征的组合空间中选择少量信息特征。
CLEO的一个主要特点是它可以推荐最佳配置由于使用了Max-SMT技术,在混合域中(即包括布尔和数字属性),同时保留了决策者效用的不确定性和噪声反馈。为此,它将最近引入的学习模块理论框架应用于偏好启发设置。效用函数的组合公式与1-范数正则化的特征选择功能相结合,可以有效地处理DM效用中的不确定性,同时保持高表达性。对复杂推荐任务的实验结果表明,CLEO具有快速识别最优配置的能力,以及从次优初始选择中恢复的能力。我们的实证评估突出了CLEO在应用于纯离散任务时如何优于最先进的贝叶斯偏好启发算法。

MSC公司:

68T05型 人工智能中的学习和自适应系统
68T20型 人工智能背景下的问题解决(启发式、搜索策略等)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 彭特纳,B。;维亚皮亚尼,P。;Yorke-Smith,N.,《交互系统中的偏好:技术挑战和案例研究》,AI Mag.,29,13-24(2008)
[2] March,J.G.,《有限理性、模糊性和选择工程》,Bell J.Econ。,9, 587-608 (1978)
[3] Domshlak,C。;Hüllermier,E。;卡西,S。;Prade,H.,《人工智能偏好:概述》,Artif。智力。,1751037-1052(2011年)
[4] Pigozzi,G。;Tsoukiás,A。;维亚皮亚尼,P.,《人工智能偏好》,《数学年鉴》。Artif公司。智力。,77, 361-401 (2016) ·Zbl 1371.68262号
[5] 郭,S。;Sanner,S.,实时多属性贝叶斯偏好启发与两两比较查询,J.Mach。学习。研究-过程。轨道,9289-296(2010)
[6] Braziunas,D。;Boutilier,C.,基于Minimax遗憾的广义加性效用启发,(第二十三届人工智能不确定性会议论文集(UAI-07))。《第二十三届人工智能不确定性会议论文集》(UAI-07),温哥华(2007),25-32
[7] 布特利耶,C。;里根,K。;Viappiani,P.,《偏好特征和效用的同步激发》,(第二十四届AAAI人工智能会议论文集。第二十四届人工智能会议文献集,AAAI-10(2010),AAAI出版社:美国佐治亚州亚特兰大市AAAI新闻社),1160-1167
[8] 布特利耶,C。;Patrascu,R。;Poupart,P。;Schuurmans,D.,基于约束的优化和使用最小最大决策准则的效用启发,Artif。智力。,170, 686-713 (2006) ·Zbl 1131.91317号
[9] 博尼拉,E。;郭,S。;Sanner,S.,《高斯过程偏好启发》,(Lafferty,J.;Williams,C.K.I.;Shawe-Taylor,J.,Zemel,R.;Culotta,A.,《神经信息处理系统进展》第23期:第24届神经信息处理系统年会(2010年)),262-270
[10] Viappiani,P.,《偏好学习的蒙特卡罗方法》(第六届学习与智能优化会议(LION VI)论文集)。第六届学习与智能优化会议论文集(LION VI),LNCS(2012),Springer Verlag:Springer Verlag Paris,France)
[11] 比鲁图,A。;Groot,P。;Heskes,T.,高效地了解人们的偏好,Mach。学习。,1-28 (2012) ·Zbl 1260.68320号
[12] Gelain,M。;皮尼,M.S。;罗西,F。;维纳布尔,K.B。;Walsh,T.,《缺少偏好的软约束问题的启发式策略:属性、算法和实验研究》,Artif。智力。,174, 270-294 (2010) ·Zbl 1207.68354号
[13] Yu,L.-F。;杨,S.-K。;唐,C.-K。;Terzopoulos,D。;Chan,T.F。;Osher,S.J.,《Make it home:家具布置的自动优化》,ACM Trans。图表。,30, 86:1-86:12 (2011)
[14] 梅雷尔,P。;施库夫扎,E。;Koltun,V.,计算机生成的住宅建筑布局,ACM Trans。图表。,29, 181:1-181:12 (2010)
[15] Yang,Y.-L。;Wang,J。;Vouga,E。;Wonka,P.,《城市模式:分层域分割的布局设计》,ACM Trans。图表。,32181:1-181:12(2013)
[16] Nieuwenhuis,R。;Oliveras,A.,《关于SAT模理论和优化问题》,(可满足性测试的理论和应用。可满足性试验的理论与应用,LNCS(2006),Springer),156-169·Zbl 1187.68558号
[17] 塞巴斯蒂亚尼,R。;Tomasi,S.,带线性有理成本的优化模理论,ACM Trans。计算。日志。,2015年第16期·Zbl 1354.68233号
[18] Miller,G.A.,神奇的数字7,加或减2:我们处理信息能力的一些限制,心理医生。修订版,63,81-97(1956年)
[19] Tibshirani,R.,《通过套索进行回归收缩和选择》,J.R.Stat.Soc.,Ser。E、 58、267-288(1996)·Zbl 0850.62538号
[20] Teso,S。;塞巴斯蒂亚尼,R。;Passerini,A.,结构化学习模块理论,Artif。智力。,244, 166-187 (2017) ·Zbl 1404.68121号
[21] 坎皮戈托,P。;Passerini,A。;Battiti,R.,交互式优化组合特征的主动学习,(第五届学习与智能优化会议论文集(LION V)。2011年1月17日至21日,意大利罗马,第五届学习与智能优化会议(LION V)会议记录。第五届学习与智能优化会议记录(LION V)。2011年1月17日至21日,第五届学习与智能优化会议(LION V)会议记录,意大利罗马,计算机科学讲稿(2011),斯普林格出版社
[22] 巴雷特,C。;塞巴斯蒂亚尼,R。;Seshia,S.A。;Tinelli,C.,可满足性模理论,(可满足性手册(2009),IOS出版社),825-885
[23] Sebastiani,R.,Lazy可满足性模理论,J.Satisf。布尔模型。计算。,3, 141-224 (2007) ·Zbl 1145.68501号
[24] 巴雷特,C。;塞巴斯蒂亚尼,R。;Seshia,S.A。;Tinelli,C.,可满足性模理论,(人工智能与应用前沿(2009),IOS出版社),825-885
[25] Nieuwenhuis,R。;Oliveras,A.,《关于SAT模理论和优化问题》,(可满足性测试的程序理论和应用——SAT 2006)。程序。可满足性测试的理论与应用——SAT 2006,计算机科学讲义,第4121卷(2006),Springer)·Zbl 1187.68558号
[26] Cimatti,A。;Franzén,A。;Griggio,A。;塞巴斯蒂亚尼,R。;Stenico,C.,成本理论的可满足性模:基础和应用, 系统构建和分析的工具和算法15(2010),施普林格),99-113·Zbl 1284.68388号
[27] Cimatti,A。;Griggio,A。;沙夫斯马,B.J。;Sebastiani,R.,《MaxSAT模理论的模块化方法》,(可满足性测试理论与应用国际会议,SAT。可满足性检测理论与应用的国际会议,卫星,计算机科学讲义,第7962卷(2013),斯普林格)·Zbl 1390.68572号
[28] Keeney,R.L。;Raiffa,H.,《多目标决策:偏好和价值权衡》(1976年)·Zbl 0488.90001号
[29] Joachims,T.,使用点击式数据优化搜索引擎,(第八届ACM SIGKDD国际知识发现和数据挖掘会议论文集。第八届AC M SIGKDD国际知识发现与数据挖掘会议文献集,KDD’02(2002),ACM:美国纽约州纽约市ACM),133-142
[30] 弗里德曼,J。;哈斯蒂,T。;Rosset,S。;Tibshirani,R.,《促进论文的讨论》,《Ann.Stat.》,32,102-107(2004)·Zbl 1105.62314号
[31] 朱,J。;Rosset,S。;Tibshirani,R。;Hastie,T.J.,1-范数支持向量机,(Thrun,S.;Saul,L.K.;Schölkopf,B.,《神经信息处理系统进展》,第16卷(2004),麻省理工学院出版社),49-56
[32] Pu,P。;Chen,L.,产品搜索和推荐系统的用户参与偏好激发,AI Mag.,29,93-103(2008)
[33] Conitzer,V.,《利用比较查询挖掘单峰值偏好》,J.Artif。智力。决议,35,161-191(2009)·Zbl 1192.68696号
[34] 巴德利,A.D。;希奇,G.,《工作记忆》,《心理学》。学习。动机。,8,47-89(1974年)
[35] 短期记忆中的神奇数字4:重新考虑精神存储能力。短期记忆中神奇的数字4:重新考虑精神存储能力,Behav。脑科学。,24, 87-114 (2001)
[36] Braziunas,D.,《偏好激发的计算方法》(2006),多伦多大学计算机科学系,技术报告
[37] Pigozzi,G。;Tsoukiás,A。;维亚皮亚尼,P.,《人工智能偏好》,《数学年鉴》。Artif公司。智力。,77, 361-401 (2016) ·Zbl 1371.68262号
[38] 萨维奇,L.J.,《统计决策理论》,J.Am.Stat.Assoc.,46,55-67(1951)·Zbl 0042.14302号
[39] 维亚皮亚尼,P。;Pu,P。;Fallings,B.,《带有适应性建议的对话式建议》(RecSys’07(2007)),第89-96页
[40] 维亚皮亚尼,P。;Boutiler,C.,会话推荐系统中基于后悔的最优推荐集,(RecSys’09(2009)),101-108
[41] 张杰。;Pu,P.,会话推荐系统中复合评论生成的比较研究,(自适应超媒体和自适应网络系统国际会议(2006)),234-243
[42] Sabin,D。;Weigel,R.,《产品配置框架——调查》,IEEE Intell。系统。申请。,13, 42-49 (1998)
[43] Felfernig,A。;霍茨,L。;巴格利,C。;Tiihonen,J.,《基于知识的配置:从研究到商业案例》(2014)
[44] 布特利耶,C。;布拉夫曼,R。;盖布,C。;Poole,D.,《基于约束的偏好启发和决策方法》(AAAI定性决策理论春季研讨会(1997)),19-28
[45] 布特利耶,C。;R.I.布拉夫曼。;Domshlak,C。;胡斯,H.H。;Poole,D.,《Cp-nets:用条件对等偏好语句表示和推理的工具》,J.Artif。智力。决议,21,135-191(2004)·Zbl 1080.68685号
[46] Allen,T.E.,《Cp-nets:从理论到实践》,(算法决策理论国际会议(2015),施普林格),555-560
[47] Ricci,F.,《推荐系统:模型和技术》,(《社交网络分析与挖掘百科全书》(2014),斯普林格出版社),1511-1522
[48] 维亚皮亚尼,P。;Boutiler,C.,建议集和选择查询:没有勘探/开发权衡!,(AAAI 2011(2011))
[49] 博伦,D。;Knijnenburg,B.P。;威廉姆森,M.C。;Graus,M.,理解推荐系统中的选择过载,(第四届ACM推荐系统会议论文集(2010),ACM),63-70
[50] Settles,B.,《主动学习文献调查》(2009),威斯康星大学麦迪逊分校,计算机科学技术报告1648
[51] Settles,B.,主动学习,(《人工智能和机器学习综合讲座》,第6卷(2012年)),1-114·Zbl 1270.68006号
[52] Kremer,J。;斯蒂斯特鲁普·佩德森,K。;Igel,C.,《支持向量机的主动学习》,Wiley Interdiscip。版本数据最小知识。发现。,4, 313-326 (2014)
[53] David,H.A.,《配对比较方法》(1963年),格里芬:格里芬伦敦
[54] R.A.布拉德利。;Terry,M.E.,《不完全区组设计的秩分析:I.成对比较方法》,《生物特征》,39,324-345(1952)·Zbl 0047.12903号
[55] Luce,R.D.,《个人选择行为:理论分析》(2005),Courier Corporation·Zbl 1191.91003号
[56] Plackett,R.L.,排列分析,应用。Stat.,24,2,193-202(1975)
[57] (Branke,J.;Deb,K.;Miettinen,K.,Słowiñski,R.,《多目标优化:交互式和进化方法》(2008),Springer Verlag)·Zbl 1147.68304号
[58] 拉德林斯基,F。;Joachims,T.,《从点击数据中学习排名的积极探索》,(第13届ACM SIGKDD国际知识发现和数据挖掘会议。第13届AC M SIGKDD国际知识发现与数据挖掘会议,KDD’07(2007),ACM出版社),570-579
[59] Xu,Z。;阿凯拉,R。;Zhang,Y.,《将多样性和密度纳入主动学习以获得相关反馈》,(Amati,G.;Carpineto,C.;Romano,G.,《信息检索进展》,《信息搜索进展》,LNCS,第4425卷(2007),Springer),246-257
[60] 风机,R.-E。;Chang,K.-W。;谢长杰。;王,X.-R。;Lin,C.-J.,LIBLINEAR:大型线性分类库,J.Mach。学习。1871-1874年第9号决议(2008年)·Zbl 1225.68175号
[61] 翁,R.C。;Lin,C.-J.,在线排名的贝叶斯近似方法,J.Mach。学习。第12号决议,第267-300页(2011年)·Zbl 1280.68215号
[62] 筑田,K。;Gupta,M.R.,《如何分析成对比较数据》(2011年5月),华盛顿大学电气工程系:华盛顿大学,美国西雅图电气工程系,(截至2015年6月)
[63] Mcfadden,D.,《经济选择》,《美国经济》。修订版,91351-378(2001)
[64] 弗伦泽尔,M。;赫尔德,C。;Teige,T。;Ratschan,S。;舒伯特,T.,具有复杂布尔结构的大型非线性算术约束系统的高效求解,JSAT,1209-236(2007)·Zbl 1144.68371号
[65] 约万诺维奇,D。;de Moura,L.M.,《解决非线性算法》,(Gramlich,B.;Miller,D.;Sattler,U.,IJCAR,《计算机科学讲义》,第7364卷(2012),Springer),339-354·Zbl 1358.68257号
[66] 拉腊兹,D。;奥利维拉斯,A。;罗德里格斯-卡博内尔,E。;Rubio,A.,求解多项式约束和扩张的最小模型指导方法,(Sinz,C。;Egly,U.,《可满足性测试的理论与应用——SAT’14——第17届国际会议》。可满足性测试理论与应用——2014年SAT第17届国际会议,计算机科学讲稿,第8561卷(2014年),施普林格出版社,333-350·Zbl 1423.68457号
[67] Chakrabarti,S。;Khanna,R。;美国Sawant。;Bhattacharyya,C.,《非平稳排名损失的结构化学习》,(第14届ACM SIGKDD国际知识发现和数据挖掘会议,第14届AC M SIGKDD国际知识发现与数据挖掘大会,KDD’08(2008),ACM),88-96
[68] Dragone,P。;Teso,S。;Passerini,A.,《建设性偏好启发》,Frontiers Robotics AI,4,71(2018)
[69] Yan,Y。;罗莎莱斯,R。;Fung,G。;Dy,J.,《从人群中主动学习》,(Getoor,L.;Scheffer,T.,《第28届机器学习国际会议论文集》,第28届国际机器学习会议论文集,ICML-11(2011),ACM:美国纽约州纽约市ACM),1161-1168
[70] 坎皮戈托,P。;Passerini,A。;Battiti,R.,《处理交互式决策偏好学习中的概念漂移》,(第一届处理自适应信息系统中概念漂移国际研讨会在线会议记录(HaCDAIS 2010)。第一届处理自适应信息系统中概念漂移国际研讨会(HaCDAIS 2010)在线会议记录,西班牙巴塞罗那,2010年9月24日(2010)),与欧洲机器学习和数据库知识发现原理与实践会议联合举办的研讨会,ECML PKDD 2010
[71] Paschos,V.T.,《组合优化的应用》,《数学与统计系列》(2014),Wiley-ISTE·Zbl 1294.90009
[72] 韦斯顿,J。;Elisseeff,A。;Schölkopf,B。;Tipping,M.,零范数与线性模型和核方法的使用,J.Mach。学习。第3号决议,1439-1461(2003)·Zbl 1102.68605号
[73] Teso,S。;Passerini,A。;Viappiani,P.,《通过集合最大边际学习进行建构性偏好启发》,(第二十五届国际人工智能联合会议(2016)论文集),2067-2073
[74] Teso,S。;Dragone,P。;Passerini,A.,《协同批评:偏好和特征的激发》,(《第三十届美国人工智能学会人工智能会议论文集》(2017),美国人工智能出版社),2639-2645
[75] Dragone,P。;Teso,S。;Passerini,A.,《混合组合空间的构造性偏好启发》,(第三十二届AAAI人工智能会议论文集(2018),AAAI出版社),2943-2950
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。