Variational Bayesian Decision-making for Continuous Utilities

Tomasz Kusmierczyk, Joseph Sakaya, Arto Klami

Tutkimustuotos: Artikkeli kirjassa/raportissa/konferenssijulkaisussaKonferenssiartikkeliTieteellinenvertaisarvioitu

Abstrakti

Bayesian decision theory outlines a rigorous framework for making optimal decisions based on maximizing expected utility over a model posterior. However, practitioners often do not have access to the full posterior and resort to approximate inference strategies. In such cases, taking the eventual decision-making task into account while performing the inference allows for calibrating the posterior approximation to maximize the utility. We present an automatic pipeline that co-opts continuous utilities into variational inference algorithms to account for decision-making. We provide practical strategies for approximating and maximizing the gain, and empirically demonstrate consistent improvement when calibrating approximations for specific utilities.
Alkuperäiskielienglanti
OtsikkoAdvances in Neural Information Processing Systems 32 (NIPS 2019)
ToimittajatH. Wallach, H. Larochelle, A. Beygelzimer, F. d'Alché-Buc , E. Fox, R. Garnett
Sivumäärä11
JulkaisupaikkaMaryland Heights, MO
KustantajaMorgan Kaufmann Publishers
Julkaisupäiväjouluk. 2019
TilaJulkaistu - jouluk. 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaAdvances in neural information processing systems - Vancouver, Kanada
Kesto: 8 jouluk. 201914 jouluk. 2019
Konferenssinumero: 33
https://nips.cc/

Julkaisusarja

NimiAdvances in Neural Information Processing Systems
Vuosikerta32
ISSN (painettu)1049-5258

Tieteenalat

  • 113 Tietojenkäsittely- ja informaatiotieteet

Siteeraa tätä