饮食反映本性:一种偏好感知的逆优化方法
最优化与控制
2022-12-13 v1
摘要
精准营养这一新兴领域的一个关键挑战在于,提供既反映不同患者群体(通常未知的)饮食偏好、又符合人类专家所规定已知饮食约束的膳食建议。受此挑战驱动,我们开发了一种偏好感知的约束推断方法,其中优化问题的目标函数并非预先指定,且可因不同细分群体而异。在现有方法中,来自机器学习的聚类模型天然不适合恢复约束优化问题,而诸如逆优化之类的约束推断模型并未显式处理给定数据集中的非同质性。通过结合聚类与逆优化技术之长,我们开发了一种新方法,可在各聚类上恢复约束优化过程的效用函数,同时作为聚类代表给出最优膳食建议。利用患者每日食物摄入数据集,我们展示了该方法如何分别在遵循膳食指南和划分观测方面推广独立的聚类与逆优化方法。该方法通过结合患者偏好与专家更健康饮食的建议来给出膳食推荐,从而在各聚类的患者划分与营养建议上均带来结构性改进。我们方法的一个吸引人之处在于其能够考虑给定饮食约束下不可行但具信息量的观测。所得建议对应更广泛的膳食选择范围,即便它们限制了不健康的选择。
引用
@article{arxiv.2212.05201,
title = {You Are What You Eat: A Preference-Aware Inverse Optimization Approach},
author = {Farzin Ahmadi and Tinglong Dai and Kimia Ghobadi},
journal= {arXiv preprint arXiv:2212.05201},
year = {2022}
}