反事实上下文多臂老虎机：用于苹果病害诊断的真实世界应用
机器学习
2021-02-09 v1 人工智能
摘要
苹果采后病害是苹果生产经济领域的主要问题之一，给生产者造成严重经济损失。为此，我们开发了 DSSApple，一个基于图像的决策支持系统，能够帮助用户诊断苹果病害。具体而言，本文解决 sequentially 优化最佳诊断的问题，利用与系统的过往交互及其上下文信息（即用户提供的证据）。在学习在线模型同时优化其结果的问题在文献中通常通过随机主动学习范式——即上下文多臂老虎机（CMAB）——来解决。该方法根据每轮所提供的上下文中每次过往交互的成功情况交互式更新决策模型。然而，该信息常常是不完整且不足以处理此类复杂决策问题的。另一方面，人类决策隐式包含了未观测因素（文献中称为未观测混杂因素），其显著贡献于人类的最终决策。在本文中，我们利用观测到的人类决策中嵌入的信息来边缘化混杂因素，并提升 CMAB 模型识别正确诊断的能力。具体而言，我们提出反事实上下文多臂老虎机，一种基于反事实因果概念的模型。所提模型通过基于大规模用户研究应用收集数据的离线实验进行验证。结果证明，在预测正确苹果病害的真实世界任务中，我们的模型能够超越传统 CMAB 算法与观测到的用户决策。
引用
@article{arxiv.2102.04214,
title = {Counterfactual Contextual Multi-Armed Bandit: a Real-World Application to Diagnose Apple Diseases},
author = {Gabriele Sottocornola and Fabio Stella and Markus Zanker},
journal= {arXiv preprint arXiv:2102.04214},
year = {2021}
}