将示例学习集成到诊断策略的搜索中
人工智能
2011-09-13 v1
摘要
本文研究从训练示例中学习诊断策略的问题。诊断策略是对诊断者（即测试及随后的诊断决策）针对所有可能测试结果组合的决策行为的完整描述。最优诊断策略是使期望总成本最小化的策略，期望总成本为测量成本与误诊成本之和。在大多数诊断场景中，这两种成本之间存在权衡。本文将诊断决策形式化为马尔可夫决策过程（MDP）。本文引入了一类基于 AO* 算法的新的系统搜索算法来求解该 MDP。为提高 AO* 的效率，本文描述了一种可采纳启发式，使 AO* 能够剪枝搜索空间的大部分区域。本文还引入了多种贪心算法，包括对先前发表方法的若干改进。随后，本文探讨了从示例中学习诊断策略的问题。当疾病与测试结果的概率由训练数据计算得出时，存在过拟合的巨大风险。为降低过拟合，将正则化项集成到搜索算法中。最后，本文在五个基准诊断数据集上比较了所提出的方法。研究表明，在大多数情况下，系统搜索方法比贪心方法产生更好的诊断策略。此外，研究表明，对于现实规模的训练集，系统搜索算法在当今的台式计算机上是实用的。
引用
@article{arxiv.1109.2127,
title = {Integrating Learning from Examples into the Search for Diagnostic Policies},
author = {V. Bayer-Zubek and T. G. Dietterich},
journal= {arXiv preprint arXiv:1109.2127},
year = {2011}
}