[論文レビュー] Context-Dependent Similarity

Yizong Cheng|arXiv (Cornell University)|Mar 27, 2013

Rough Sets and Fuzzy Logic被引用数 7

ひとこと要約

本稿では、AIにおける文脈依存的類似度を計算するための2つのメカニズム—属性重み付けと微分重み付け—を提案および比較する。文脈内の部分集合のサイズに基づく非類似度測度を導入し、そのメトリシティを証明する。属性重み付けは距離がメトリックであるのに対し、微分重み付けは一般的にそうではないことが示され、不確実性推論システムにおける文脈に依存する類似度の理論的基盤が提供される。

ABSTRACT

Attribute weighting and differential weighting, two major mechanisms for computing context-dependent similarity or dissimilarity measures are studied and compared. A dissimilarity measure based on subset size in the context is proposed and its metrization and application are given. It is also shown that while all attribute weighting dissimilarity measures are metrics differential weighting dissimilarity measures are usually non-metric.

研究の動機と目的

• 文脈依存的類似度としての属性重み付けと微分重み付けのメカニズムを分析および比較すること。
• 与えられた文脈内での部分集合のサイズに基づく非類似度測度を構築すること。
• 提案された非類似度測度のメトリック性を確立すること。
• 類似度計算における異なる重み付けアプローチのメトリック性対非メトリック性を調査すること。
• 不確実性のあるAIシステムにおける文脈に依存する類似度の理論的および実用的基盤を提供すること。

提案手法

• 文脈に関連する部分集合のサイズに基づく文脈依存的非類似度測度を提案する。
• 提案された測度のメトリック性（例：三角不等式など）を定義し、分析する。
• メトリック性を保持する属性重み付けと、多くの場合にそれを満たさない微分重み付けを比較する。
• 特にUAI文脈における人工知能における不確実性推論にこのフレームワークを適用する。
• 形式的分析により、属性重み付けの非類似度測度が常にメトリックであるのに対し、微分重み付けの測度は一般的に非メトリックであることを示す。
• 理論的推論と形式的証明技法を用いて、提案された類似度測度の性質を検証する。

実験結果

リサーチクエスチョン

• RQ1 属性重み付けと微分重み付けは、文脈依存的類似度測度を生成する能力においてどのように比較できるか？
• RQ2 文脈内の部分集合のサイズに基づく非類似度測度を、有効なメトリックであると証明できるか？
• RQ3 微分重み付けがメトリックな類似度測度を生成しない条件は何か？
• RQ4 部分集合のサイズを文脈依存的非類似度の根拠とする場合の理論的含意は何か？
• RQ5 不確実性推論におけるAIに適した文脈依存的類似度を形式的に定式化する方法は何か？

主な発見

• 文脈内の部分集合のサイズに基づく提案された非類似度測度は、形式的に有効なメトリックであることが示された。
• 属性重み付けは一貫してメトリックな非類似度測度を生成し、三角不等式および他のメトリック公理を満たす。
• 微分重み付けの非類似度測度は一般的に非メトリックであり、多くの場合で三角不等式を満たさない。
• 理論的分析により、文脈に依存するAIアプリケーションにおける適切な類似度メカニズムの選択の基盤が提供された。
• メトリック性が求められる状況では属性重み付けの使用が支持され、微分重み付けのメトリックベース推論における制限が浮き彫りにされた。
• 本研究は、不確実性推論およびAIシステムに適用可能な、文脈依存的類似度の形式的フレームワークを貢献した。