[論文レビュー] A New Method for Multinomial Inference using Dempster-Shafer Theory

Earl Lawrence, Murph, Alexander C.+2 more|arXiv (Cornell University)|Oct 7, 2024

Distributed Sensor Networks and Detection Algorithms参考文献 11被引用数 7

ひとこと要約

本論文は Dirichlet-DSM を導入する。これは Dempster-Shafer に基づく多項推論法で、Dirichlet 後方分布を生み出し、カテゴリ順序の未知の置換を扱い、対称性と学習上の利点を提供する。

ABSTRACT

A new method for multinomial inference is proposed by representing the cell probabilities as unordered segments on the unit interval and following Dempster-Shafer (DS) theory. The resulting DS posterior is then strengthened to improve symmetry and learning properties with the final posterior model being characterized by a Dirichlet distribution. In addition to computational simplicity, the new model has desirable invariance properties related to category permutations, refinements, and coarsenings. Furthermore, posterior inference on relative probabilities amongst certain cells depends only on data for the cells in question. Finally, the model is quite flexible with regard to parameterization and the range of testable assertions. Comparisons are made to existing methods and illustrated with two examples.

研究の動機と目的

• 多項推論の動機づけと、既存の DS アプローチおよび IDM の限界への対応。
• Dirichlet-DSM を開発し、Dirichlet 後方分布を提供するとともに不変性特性を保持する。
• 順序依存性を避けて対称性を向上させるため、補助方程式に未知の置換を導入する。
• 計算上の利点と、制約付きおよび一般的な多項モデルへの適用性を示す。

提案手法

• セル確率を単位区間上の区分として表現し、多項推定のための Dirichlet-DSM を構築する。
• カテゴリラベリングへの依存を取り除くため、区分順序の未知の置換を組み込む。
• 未知の置換とランダム集合を用いた補助方程式により、Dirichlet-distributed 後方分布をもたらす Dirichlet-DSM を定義する（Z は Dirichlet(1, N1, ..., NK) から）。
• 後方のランダム集合が Dirichlet 分布によって特徴づけられることを証明し、対称性や中立性といった性質を議論する。
• n=1 から一般の n へモデルを拡張し、独立な後方集合を結合してパラメータ空間へ射影する。

Figure 3.1: Partition of ${\mathbb{U}}=[0,1)$ into ${\mathbb{U}}_{1},\ldots,{\mathbb{U}}_{K}$ .

実験結果

リサーチクエスチョン

• RQ1 望ましい不変性を持つ多項推論を実現するために、Dempster-Shafer 理論をどのように用いることができるか。
• RQ2 補助構造における未知の置換は、多項パラメータに対して対称で扱いやすい後方分布を生み出し得るか。
• RQ3 Dirichlet-DSM と Simplex-DSM および不確定 Dirichlet モデルと比較した計算上および推論上の利点は何か。
• RQ4 パラメータ制約や制限されたモデルの下で Dirichlet-DSM はどのように振る舞うか。

主な発見

• Dirichlet-DSM 後方分布は、(Z0, Z) 上の Dirichlet 分布で特徴づけられ、Z は Dirichlet(1, N1, ..., NK) に分布する。
• 後方のランダム集合は標準パラメータ単純形の内部に位置し、サンプルサイズが大きくなるにつれて集中し、r（don’t know）質量を減らす。
• 本モデルは対称性・埋め込み・表現不変性を達成し、Walley の原理および中立性の概念と一致する。
• Dirichlet-DSM は従来の手法と同等の計算上の単純さを提供しつつ、集合ベースの確率的表現と制約モデルの取り扱いを可能にする。

Figure 4.1: Partition of ${\mathbb{U}}=[0,1)$ into ${\mathbb{U}}_{1},\ldots,{\mathbb{U}}_{K}$ ordered by a permutation $\pi$ .