[論文レビュー] Measuring Conflict in a Multi-Source Environment as a Normal Measure

Wei Pan, John E. Ball+3 more|arXiv (Cornell University)|Mar 12, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 2被引用数 3

ひとこと要約

本稿では、外部の信頼性知識に依存せずに、複数の情報源からの区間値データにおける不整合性を測定するための新しい矛盾指標（CF）を提案する。この手法は、正規測度フレームワークに基づき、グローバルレンジの部分区間に対する重み付き和として矛盾を計算する。部分区間のカバー率が不足するほど矛盾スコアが上昇する。結果として、この指標は人間の直感と整合しており、模擬的および実際のセンサーデータにおける矛盾する情報源の特定に効果的に機能することが示された。

ABSTRACT

In a multi-source environment, each source has its own credibility. If there is no external knowledge about credibility then we can use the information provided by the sources to assess their credibility. In this paper, we propose a way to measure conflict in a multi-source environment as a normal measure. We examine our algorithm using three simulated examples of increasing conflict and one experimental example. The results demonstrate that the proposed measure can represent conflict in a meaningful way similar to what a human might expect and from it we can identify conflict within our sources.

研究の動機と目的

• 情報源の信頼性が未知であり、データそのものから推定しなければならないような複数情報源環境における矛盾測定手法の開発。
• 情報源出力の不整合性について人間の期待と整合する矛盾指標の構築。
• 区間値証拠に適用可能な定量的かつスケーラブルな指標を用いて、矛盾する情報源の同定を可能にする。
• 今後の形式的矛盾検出に関する研究および集合値情報への拡張の基盤を提供すること。

提案手法

• 矛盾指標（CF）は、情報源の組み合わせにおける正規測度（NM）として定義され、単調性を保証し、情報源を追加しても直感的でない減少を回避する。
• 全情報源の区間端点に基づき、グローバル測定レンジを部分区間へ分割し、重複のない区間集合 $\overline{P}_k$ を作成する。
• 各部分区間 $\overline{P}_k$ に対して、与えられたタプル $A'$ に属する情報源のうち $\overline{P}_k$ をカバーしないものの割合に基づき、重みを計算し、区間長でスケーリングする。
• コアとなる式 $\tilde{g}^{CF}(A') = \sum_{k=1}^{2n-1} \Phi(\overline{P}_k, A') \cdot |\overline{P}_k| \cdot \left(\frac{i - O(\overline{P}_k)}{i}\right)$ により、サイズ $i$ の情報源タプル $A'$ の総合的矛盾を計算する。
• 最終的な正規化された矛盾 $g^{CF}(A')$ は、タプルの全レンジで割ることで得られ、スケール不変性を保証する。
• ラティス構造を用いて、すべての情報源の組み合わせにおけるCF値を計算し、比較および矛盾する情報源の同定を可能にする。

Figure 1: Fuzzy measure lattice for three information sources.

実験結果

リサーチクエスチョン

• RQ1 人間の不整合に関する直感を反映するような、複数情報源の区間値データにおける矛盾指標を構築できるか？
• RQ2 外部の信頼性知識に依存せずに、矛盾をどのように定量的に測定できるか？
• RQ3 提案された指標は、区間値情報源の集合において、最も矛盾する情報源を一貫して特定できるか？
• RQ4 動的な出力を示す実世界のセンサーデータに適用した場合、この指標は安定的かつ意味のあるものであるか？

主な発見

• 提案された矛盾指標（CF）は、特に矛盾する情報源の検出において、人間の期待と整合する値を生成する。
• 例1では、$\{x_1,x_2,x_4\}$ のCF値が $\{x_1,x_2,x_3\}$ よりも高かった。これは、情報源4が他の情報源と重複が少なく、より矛盾が大きいと正しく同定された。
• 例2では、CFは情報源1を唯一の矛盾する情報源として正しく同定した。$g^{CF}(\{x_1,x_4\}) > g^{CF}(\{x_1,x_3\})$ となったのは、非重複領域がより大きかったためである。
• 例3では、すべての区間が互いに重複がなかったため、上位の層におけるCF値は0.5を超え、0.8333に達した。これは極端な矛盾を示している。
• 実験例では、センサー1の温度上昇に伴い $g^{CF}(\{x_1,x_2,x_3,x_4\})$ が上昇し、矛盾が増大していることが示された。一方、$g^{CF}(\{x_2,x_3,x_4\})$ は安定したままだったため、センサー1が主な矛盾の原因であることが特定された。
• CF値の最大差は、全セットとセンサー1を除いたセットとの間で発生し、実験データにおいてセンサー1が最も矛盾する情報源であることを確認した。

Figure 2: Counting the number of sources with one region that has no sources and is marked as 0.