[논문 리뷰] Measuring Conflict in a Multi-Source Environment as a Normal Measure

Wei Pan, John E. Ball외 3명|arXiv (Cornell University)|2018. 03. 12.

Mobile Crowdsensing and Crowdsourcing참고 문헌 2인용 수 3

한 줄 요약

이 논문은 외부 신뢰도 지식에 의존하지 않고 다중 소스의 간격 값 데이터 간의 부일치를 측정하기 위해 정규 측도 프레임워크를 사용하는 새로운 갈등 측정법(CF)을 제안한다. 이 방법은 전역 범위의 부분 간격에 대해 가중치 합으로 갈등을 계산하며, 소스가 커버하지 못하는 영역이 많을수록 갈등 점수가 높아진다. 결과적으로 이 측정법은 인간의 직관과 일치하며 시뮬레이션 및 실제 센서 데이터에서 갈등이 있는 소스를 효과적으로 식별한다.

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.

연구 동기 및 목표

• 소스의 신뢰도가 알려져 있지 않고 데이터 자체에서 유추되어야 하는 다중 소스 환경에서 갈등 측정 방법을 개발하는 것.
• 소스 출력의 부일관성에 대한 인간의 기대와 일치하는 갈등 측정법을 만드는 것.
• 간격 값 증거에 적용 가능한 정량적이고 확장 가능한 지표를 통해 갈등이 있는 소스를 식별할 수 있도록 하는 것.
• 향후 공식적인 갈등 탐지 및 집합 값 정보로의 확장에 대한 기초를 마련하는 것.

제안 방법

• 갈등 측정법(CF)은 소스 조합에 대한 정규 측도(NM)로 정의되며, 단조성 보장과 함께 소스를 추가할 때 기대에 어긋나지 않는 감소를 방지한다.
• 전역 측정 범위를 모든 소스 간격 끝점 기반으로 하위 간격으로 분할하여 상호 겹치지 않는 간격 집합 $\overline{P}_k$ 를 생성한다.
• 각 하위 간격 $\overline{P}_k$ 에 대해, 주어진 튜플 $A'$ 에 속한 소스 중 $\overline{P}_k$ 를 커버하지 않는 비율을 간격 길이로 스케일링하여 갈등 가중치를 계산한다.
• 핵심 공식 $\tilde{g}^{CF}(A') = \sum_{k=1}^{2n-1} \Phi(\overline{P}_k, A') \cdot |\overline{P}_k| \cdot \left(\frac{i - O(\overline{P}_k)}{i}\right)$ 은 크기가 $i$ 인 소스 튜플 $A'$ 의 총 갈등을 계산한다.
• 최종 정규화된 갈등 $g^{CF}(A')$ 는 원시 갈등 합을 튜플의 전체 범위로 나누어 스케일 불변성을 확보한다.
• 이 방법은 모든 소스 조합에 대해 CF 값을 계산하기 위해 래티스 구조를 사용하며, 비교 및 갈등 소스 식별을 가능하게 한다.

Figure 1: Fuzzy measure lattice for three information sources.

실험 결과

연구 질문

• RQ1 다중 소스 간격 데이터에서 인간이 느끼는 부일관성에 대해 반영하는 갈등 측정법을 구성할 수 있는가?
• RQ2 외부 신뢰도 지식에 의존하지 않고 갈등을 어떻게 정량화할 수 있는가?
• RQ3 제안된 측정법은 간격 값 소스 집합에서 가장 갈등이 심한 소스를 일관되게 식별할 수 있는가?
• RQ4 동적 출력을 보이는 실제 세계 센서 데이터에 적용했을 때 측정법은 안정적이고 의미 있는가?

주요 결과

• 제안된 갈등 측정법(CF)은 갈등에 대해 인간의 기대와 일치하는 값을 생성하며, 특히 부일관성이 있는 소스를 식별하는 데 효과적이다.
• 예제 1에서 $\{x_1,x_2,x_4\}$ 의 CF 값은 $\{x_1,x_2,x_3\}$ 보다 높았으며, 다른 소스와의 겹침이 적어 소스 4가 더 갈등이 심하다는 점을 정확히 식별했다.
• 예제 2에서는 CF가 소스 1을 유일한 갈등 소스로 정확히 식별했으며, $g^{CF}(\{x_1,x_4\}) > g^{CF}(\{x_1,x_3\})$ 이었고, 이는 더 큰 겹침 부족 때문이었다.
• 예제 3에서는 모든 간격이 서로 겹치지 않았으며, 상위 레이어의 CF 값은 0.5를 초과하고 0.8333에 도달하여 극도로 높은 갈등을 나타냈다.
• 실험 예제에서는 센서 1의 온도가 상승함에 따라 $g^{CF}(\{x_1,x_2,x_3,x_4\})$ 가 증가하여 갈등이 증가하는 것을 보였고, $g^{CF}(\{x_2,x_3,x_4\})$ 는 안정적으로 유지되어 센서 1이 갈등의 주요 원인임을 식별했다.
• CF 값의 가장 큰 차이는 전체 집합과 센서 1을 제외한 집합 사이에서 발생했으며, 이는 실험 데이터에서 센서 1이 가장 갈등이 심한 소스임을 확인시켰다.

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