EDDI：基于部分变分自编码器的高价值信息高效动态发现
机器学习
2019-05-17 v4 机器学习
摘要
许多现实生活中的决策情境允许以特定代价获取进一步的相关信息，例如，在评估患者健康状况时，我们可能决定进行额外的测量，如诊断测试或影像扫描，然后再做出最终评估。获取更多相关信息有助于更好的决策，但可能代价高昂。我们如何权衡通过获取进一步信息以做出良好决策的意愿与执行该获取的成本？为此，我们提出了一个基于贝叶斯实验设计理论的名为 EDDI（高效动态发现高价值信息，Efficient Dynamic Discovery of high-value Information）的原则性框架。在 EDDI 中，我们提出了一种新颖的部分变分自编码器（Partial VAE）来在给定任意观测子集的情况下预测缺失数据项，并将其与最大化一组目标变量上期望信息增益的获取函数相结合。我们在多个机器学习基准和两个真实世界的医疗应用中展示了在相同决策质量下的成本降低以及相同成本下的决策质量提升。
引用
@article{arxiv.1809.11142,
title = {EDDI: Efficient Dynamic Discovery of High-Value Information with Partial VAE},
author = {Chao Ma and Sebastian Tschiatschek and Konstantina Palla and José Miguel Hernández-Lobato and Sebastian Nowozin and Cheng Zhang},
journal= {arXiv preprint arXiv:1809.11142},
year = {2019}
}
备注
icml 2019 camera-ready version