[논문 리뷰] Tangles in the social sciences

Reinhard Diestel|arXiv (Cornell University)|2019. 07. 17.

Advanced Graph Theory Research참고 문헌 7인용 수 4

한 줄 요약

이 논문은 기존의 유사도 기반 군집화 방식이 아닌, 일관되게 함께 나타나는 특성의 집합을 탐지함으로써 통합된 행동 패턴, 관점 또는 성향을 식별하는 새로운 수학적 프레임워크인 '틀래글(tangles)'을 소개한다. 이는 정치적 또는 소비자 유형과 같은 이전에 알려지지 않은 심리적 유형의 발견을 가능하게 하며, 높은 정확도로 더 넓은 행동 패턴을 추론하기 위해 최소한의 핵심 질문을 사용하는 예측 모델을 제공한다.

ABSTRACT

Traditional clustering identifies groups of objects that share certain qualities. Tangles do the converse: they identify groups of qualities that often occur together. They can thereby identify and discover 'types': of behaviour, views, abilities, dispositions. The mathematical theory of tangles has its origins in the connectivity theory of graphs, which it has transformed over the past 30 years. It has recently been axiomatized in a way that makes its two deepest results applicable to a much wider range of contexts. This expository paper indicates some contexts where this difference of approach is particularly striking. But these are merely examples of such contexts: in principle, it can apply to much of the quantitative social sciences. Our aim here is twofold: to indicate just enough of the theory of tangles to show how this can work in the various different contexts, and to give plenty of different examples illustrating this.

연구 동기 및 목표

• 특성들이 일관되게 함께 나타나는 것을 탐지함으로써 사회과학 데이터에서 통합된 행동, 관점 또는 성향의 유형을 식별하는 수학적 프레임워크를 개발하는 것.
• 기존 군집화 방법이 공통된 특성을 가진 대상을 기반으로 그룹화하는 데서 비롯하는 한계를 극복하기 위해, 자주 함께 나타나는 특성의 집합을 식별하는 것.
• 사전 가설 수립 없이도 이전에 알려지지 않은 심리적 유형 또는 행동 유형(예: '노동당 지지하지만 사회주의자가 아닌 브렉시트 지지자')을 발견할 수 있도록 하는 것.
• 작은 수의 핵심 질문을 사용하여 개인의 전체 프로필을 높은 신뢰성으로 추론할 수 있는 예측 도구를 제공하는 것.
• 그래프 외의 다양한 정량적 사회과학 맥락(예: 사회학, 심리학, 정치학, 교육, 경제학)으로도 틀래글 이론의 적용 범위를 확장하는 것.

제안 방법

• 틀래글은 일관되게 함께 나타나는 특성의 집합과 일치하는 집합 분할의 집합으로 정의되며, 일관성은 특성들이 함께 나타나는 빈도를 측정하는 하위모odu라 함수로 측정된다.
• 이론은 '증거 집합'(witnessing set) 개념을 사용한다. 이는 특정 틀래글의 존재를 지지하는 데이터의 부분집합으로, 분할 간 일관된 공통 특성의 공존을 보여준다.
• 다양한 심리적 유형을 구분할 수 있는 최소한의 질문 또는 특성 집합을 계산하기 위해 틀래글을 식별하는 특성 집합을 산정한다.
• 이론은 이중성 원리를 적용하여 틀래글을 방해하는 특성 집합을 식별함으로써, 일관된 심리적 유형이 존재하지 않는 경우를 판단하는 데 기여한다.
• 틀래글 정리에서 유도된 알고리즘을 통해 대규모 데이터셋에서 틀래글을 탐지하며, 군집화 및 예측에의 적용이 가능하다.
• 일반 집합 위에서 틀래글을 정의함으로써, 다양한 특성 부분집합(예: 고가의 항목 대비 저가의 항목)에 대한 틀래글을 통합함으로써, 잘못된 군집화를 방지한다.

실험 결과

연구 질문

• RQ1 사전 가설 수립 없이 설문 데이터에서 통합된 행동 또는 태도 유형(심리적 유형)을 체계적으로 식별할 수 있는 방법은 무엇인가?
• RQ2 어떤 최소한의 질문 집합이 인구 집단 내 다양한 심리적 유형을 신뢰성 있게 구분하는 데 효과적인가?
• RQ3 틀래글 이론은 정치적, 경제적, 사회적 데이터에서 공동으로 나타나는 관점이나 행동 패턴을 발견하는 데 어떻게 적용될 수 있는가?
• RQ4 기존 군집화나 특성의 무작위 샘플링과 비교했을 때, 틀래글 분석은 예측 정확도를 어떻게 향상시키는가?
• RQ5 어떤 조건에서 틀래글이 존재하지 않으며, 이를 알고리즘적으로 어떻게 탐지할 수 있는가?

주요 결과

• 틀래글 분석은 2016년 총선 이전 영국 정치 데이터에서 '노동당 지지하지만 사회주의자가 아닌 브렉시트 지지자'라는 심리적 유형을 성공적으로 식별하였다. 이는 기존의 직관 기반 방법으로는 발견되지 않았을 패턴이었다.
• 틀래글을 식별하는 질문 집합은 매우 높은 예측 능력을 보였다. 이 작은 질문 집합에 답함으로써, 원본 샘플에 포함되지 않은 개인의 전체 설문 응답까지도 정확하게 추론할 수 있었다.
• 소매업계 맥락에서, 일반 상품 집합 U의 틀래글은 개별 고객의 장바구니나 상품 집합의 틀래글로는 탐지되지 않았던 통합된 구매 동기(예: 가격 민감도, 환경 친화성)를 성공적으로 식별하였다.
• 일반 집합을 기반으로 한 일관된 공통 특성의 공존에 초점을 맞춤으로써, 기존의 상품 집합 분석에서 발생할 수 있는 허구적 틀래글(예: '비어 있는 장바구니')을 방지함으로써, 잘못된 군집화를 피할 수 있었다.
• U의 틀래글은 데이터 희소성에 대해 강건했으며, 개별 고객의 프로필이 불완전하거나 노이즈가 있을 경우에도 의미 있는 군집화를 탐지할 수 있었다.
• 이중성 원리의 적용을 통해 틀래글을 방해하는 특성 집합을 식별함으로써, 데이터 내에서 일관된 심리적 유형이 존재하지 않는 경우를 탐지할 수 있었다.