蒙特卡洛模型中信息价值的高效估计
人工智能
2013-02-28 v1
摘要
信息期望价值 (EVI) 是决策模型中对不确定性敏感度最有力的度量：它衡量了信息改善决策的潜力，从而衡量结果的期望价值。计算 EVI 的标准方法使用离散变量，对于包含少量以上变量的模型在计算上是不可行的。蒙特卡洛模拟为评估包含连续和离散变量的大型预测模型提供了更可行的基础，但迄今为止，在蒙特卡洛环境中计算 EVI 似乎也不切实际。我们引入了一种基于预后验分析的近似方法，用于估计蒙特卡洛模型中的 EVI。我们的方法使用价值函数的线性近似，并利用多元线性回归从样本中估计线性模型。该方法对于超大型模型而言高效且实用。它允许轻松估计针对单个变量或变量组合的完美或部分信息的 EVI。我们展示了其在 Demos（一个决策建模系统）中的实现，及其在危机交通规划大型模型中的应用。
引用
@article{arxiv.1302.6794,
title = {Efficient Estimation of the Value of Information in Monte Carlo Models},
author = {Tom Chavez and Max Henrion},
journal= {arXiv preprint arXiv:1302.6794},
year = {2013}
}
备注
Appears in Proceedings of the Tenth Conference on Uncertainty in Artificial Intelligence (UAI1994)