基于带单峰约束贝叶斯主动学习的个性化热偏好学习
机器学习
2019-04-02 v2 人机交互
机器学习
摘要
热偏好因人而异且可能随时间变化。本文的主要目标是通过向居住者依次提出智能查询，以最优地学习使其满意度最大的室内气温值。我们的核心假设是，居住者对室内气温的偏好关系可用这些气温的标量函数来描述，我们称之为“居住者的热效用函数”。我们通过居住者对热偏好查询的响应来获取其对这些气温的偏好信息：即“偏好更暖”、“偏好更凉”和“满意”，我们将其解释为关于其效用函数导数的陈述，即效用函数分别为“递增”、“递减”和“恒定”。我们使用带有内置单峰约束（即效用函数具有唯一最大值）的高斯过程先验来建模这一隐藏效用函数，并通过贝叶斯推断训练该模型。这允许基于期望改进的下一偏好查询选择，该选择向居住者提出，同时考虑了探索（从高不确定性区域采样）和利用（从可能较当前最佳观测有所改善的区域采样）。我们使用该框架依次设计实验，并通过表明与其他方法相比，它所需的学习最大偏好温度值的观测次数大幅减少来展示其优势。该框架是朝着开发能够响应居住者个性化热舒适需求的智能暖通空调（HVAC）系统迈出的重要一步。为了鼓励使用我们的偏好启发（PE）框架并确保结果的可复现性，我们发布了名为 GPPrefElicit 的 Python 开源包实现。
引用
@article{arxiv.1903.09094,
title = {Learning Personalized Thermal Preferences via Bayesian Active Learning with Unimodality Constraints},
author = {Nimish Awalgaonkar and Ilias Bilionis and Xiaoqi Liu and Panagiota Karava and Athanasios Tzempelikos},
journal= {arXiv preprint arXiv:1903.09094},
year = {2019}
}
备注
39 pages, 11 figures. References are updated. Typos are corrected. Changed "room temperatures" to "indoor air temperatures"