[論文レビュー] Negative dimension in general and asymptotic topology

V. P. Maslov|ArXiv.org|Dec 19, 2006

Rough Sets and Fuzzy Logic参考文献 4被引用数 26

ひとこと要約

本稿は、漸近的位相幾何学における正の次元の双対として、Sobolev空間と一般化関数を用いて負の位相次元の概念を導入する。この枠組みを言語統計に適用し、語の頻度辞書が負の次元（D = -1）を示すことを示す。ここで語は粒子ではなく「穴」として扱われる。その結果、低頻度に凝縮するボーズ＝アインシュタイン型分布が得られる。

ABSTRACT

We introduce the notion of negative topological dimension and the notion of weight for the asymptotic topological dimension. Quantizing of spaces of negative dimension is applied to linguistic statistics.

研究の動機と目的

• スケール不変なコンパクト集合と入れ子のコンパクト集合の同値類を用いて、正の次元の双対として負の位相次元の概念を形式化すること。
• Sobolev空間と一般化関数における双対性を通じて、非整数および負の値への次元の拡張を図ること。
• 語の頻度データを負の次元でモデル化し、統計的分布において語を「粒子」ではなく「穴」として解釈すること。
• 大規模コーパスにおける語の頻度分布が、ボーズ＝アインシュタイン統計に類似した負の次元の統計モデルに従うことを示すこと。
• 同じ頻度で現れる語の数（シングルトン語）が、総語数の約1/3に漸近的に近づくことを示し、負の次元枠組みにおける凝縮を示すこと。

提案手法

• 入れ子のコンパクト集合のスケールにおける同値類によって負の次元を定義し、コンパクト集合 $ M_{t_0} $ を次元 $ -t_0 $ の「穴」として扱う。
• Sobolev空間 $ W_2^s $ と $ W_2^{-s} $ における双対性を用いて、非整数および負の値への次元の一般化を行う。
• Riesz核とBessel補間を用いて、非整数 $ s $ の一般化Sobolev空間における関数を表現する。
• 同じ頻度を持つ語が区別できない統計系として語の頻度データをモデル化し、ボーズ粒子に類似させる。
• 合計数と期待値の制約の下で、Fermi-Dirac型の形をとる累積頻度分布を導出する：$ \frac{q_i}{e^{\beta' x_i - \nu'} - 1} $。
• 積分表現と正則化技術（ヘヴィサイド関数およびクロネッカーのデルタ関数）を用いて、頻度分布の漸近的挙動を分析する。

実験結果

リサーチクエスチョン

• RQ1 関数空間における双対性を用いて、位相次元を負の値へどのように拡張できるか。
• RQ2 大規模な言語コーパスにおける頻度分布の漸近的挙動は何か。また、負の次元とどのように関係するか。
• RQ3 コーパスにおいて正確に一度だけ現れる語の数がなぜ、総語数のおよそ1/3に漸近的に近づくのか。
• RQ4 語の頻度分布の統計モデルはボーズ＝アインシュタイン統計にどのように類似しているのか。負の次元はその中でどのような役割を果たすのか。
• RQ5 シングルトン語の分布における凝縮の意義は何か。また、負の次元とどのように関連しているか。

主な発見

• 大規模コーパスにおける一度だけ現れる語の数は、漸近的に総語数のおよそ $ \frac{1}{3} $ に近づき、系に凝縮が存在することを示している。
• 頻度辞書における語の頻度分布は、ボーズ＝アインシュタイン分布に類似した形をとり、系は粒子ではなく「穴」としてモデル化される。
• 漸近的累積頻度分布は $ \sum_{i=1}^l N_i = \sum_{i=1}^l \frac{q_i}{e^{\beta' x_i - \nu'} - 1} $ で与えられ、$ \beta' $ と $ \nu' $ は正規化条件によって定まる。
• $ \beta \ll 1 $ の場合、分布は簡略化され、積分形 $ \int \frac{d\omega}{\alpha\omega(\alpha\omega - 1)(e^{\beta\alpha\omega - \nu} - 1)} $ を評価可能となり、負の次元モデルを支持する。
• モデルは、頻度および期待値の制約を満たす変種の数が、理想分布から $ \frac{c_1 \mathcal{N}\{\mathcal{M}\}}{N^m} $ 未満にずれることを予測し、予測された分布の周辺に高い濃度が存在することを示す。
• 頻度辞書モデルに対して負の次元 $ D = -1 $ が割り当てられ、語がテキストから「除去された穴」として数えられるという事実を反映している。