图模型中近最优非贪婪信息价值
人工智能
2012-07-09 v1
摘要
现实世界系统（如传感器网络）中的一个基本问题是选择最有效减少不确定性的观测。更具体地说，我们解决了长期存在的非贪婪选择图模型中最具信息量的变量子集的问题。我们提出了第一个高效的随机化算法，该算法对于任意ε>0都能以高置信度提供常数因子(1-1/e-ε)的近似保证。该算法利用了子模函数理论，并结合了样本复杂度的多项式界。此外，我们证明除非P=NP，否则没有多项式时间算法能提供优于(1-1/e)的常数因子近似。最后，我们在两个复杂的真实世界数据集上提供了我们方法有效性的广泛证据。
引用
@article{arxiv.1207.1394,
title = {Near-optimal Nonmyopic Value of Information in Graphical Models},
author = {Andreas Krause and Carlos E. Guestrin},
journal= {arXiv preprint arXiv:1207.1394},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-First Conference on Uncertainty in Artificial Intelligence (UAI2005)