Decision-aware training of spatiotemporal forecasting models

要約

希少な資源の最適な割り当ては、介入のための限られた数の場所を選択することに直面する意思決定者にとって一般的な問題です。
時空間予測モデルは、そのような決定をデータ駆動型にする可能性があります。
可能な限り最高のリーチ（BPR）と呼ばれる最近のパフォーマンスメトリックは、後知恵で可能な限り最高のTop-Kと比較して、サイトのモデルの推奨サイズKサブセットを使用することの影響を測定します。
BPRに関連する2つのオープンな問題に取り組みます。
まず、サイト間でイベントカウントを共同で予測する確率モデルを与えられたすべてのサイトを数値的にランク付けする方法を探ります。
サイトごとの平均を介してランク付けすることは、BPRの最適です。
代わりに、意思決定理論に裏付けられたBPRに対してより良いランキングを提供します。
第二に、BPRを最大化するために確率モデルのパラメーターをトレーニングする方法を探ります。
Kサイトの離散選択は、標準の勾配トレーニングを防ぐ全ゼロパラメーター勾配を意味します。
摂動オプティマイザーの進歩を介してこの障壁を克服します。
さらに、尤度を意思決定に対応するBPR制約を組み合わせて、高品質のTOP-Kランキングとすべてのサイトに優れた予測を提供するトレーニング目標を提案します。
私たちは、オピオイド関連の致命的な過剰摂取を緩和し、危険にさらされた野生生物を監視するという2つの場所でのアプリケーションに関するアプローチを実証します。

要約(オリジナル)

Optimal allocation of scarce resources is a common problem for decision makers faced with choosing a limited number of locations for intervention. Spatiotemporal prediction models could make such decisions data-driven. A recent performance metric called fraction of best possible reach (BPR) measures the impact of using a model’s recommended size K subset of sites compared to the best possible top-K in hindsight. We tackle two open problems related to BPR. First, we explore how to rank all sites numerically given a probabilistic model that predicts event counts jointly across sites. Ranking via the per-site mean is suboptimal for BPR. Instead, we offer a better ranking for BPR backed by decision theory. Second, we explore how to train a probabilistic model’s parameters to maximize BPR. Discrete selection of K sites implies all-zero parameter gradients which prevent standard gradient training. We overcome this barrier via advances in perturbed optimizers. We further suggest a training objective that combines likelihood with a decision-aware BPR constraint to deliver high-quality top-K rankings as well as good forecasts for all sites. We demonstrate our approach on two where-to-intervene applications: mitigating opioid-related fatal overdoses for public health and monitoring endangered wildlife.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google