[논문 리뷰] Generating fuzzy measures from additive measures

Jian‐Zhang Wu, Gleb Beliakov|arXiv (Cornell University)|2023. 09. 27.

Multi-Criteria Decision MakingDecision Sciences인용 수 3

한 줄 요약

이 논문은 허용 가능한 범위 조정, 랜덤 워크, 타겟팅된 변환 전략을 사용하여 추가 측정값에서 다양성을 갖는 흐린 측정값을 생성하는 프레임워크를 제안한다. 추가 측정값의 계산적 단순성에 기반하여 시드로 활용함으로써, 초수모듈라, 초加성, k차수, p대칭 측정값과 같은 구조적 흐린 측정값을 효율적으로 생성할 수 있으며, 선형 확장에서의 다양성 향상과 중복 감소를 가능하게 한다.

ABSTRACT

Fuzzy measures, also referred to as nonadditive measures, emerge from the foundational concept of additive measures by transforming additivity into monotonicity. In comparison to the expansive $2^n$ coefficients of fuzzy measures, additive measures encompass just $n$ coefficients, enabling them to efficiently provide initial viable solutions across various domains including normal, super/submodular, super/subadditive, (anti)buoyant, and other specialized fuzzy measures. To further enhance the effectiveness of these measures, techniques such as allowable range adjustments and random walks have been introduced, aiming to decrease the redundancy in linear extensions and bolster the random or uniform nature of the generated measures. In addition to innovating the ideas of random generation and adjustment strategies for multiple types of fuzzy measures, this paper also sheds light on the profound connection between additive and fuzzy measures.

연구 동기 및 목표

• 추가 측정값을 흐린 측정값 생성의 초깃값으로 사용할 경우 선형 확장에서의 제한된 다양성과 높은 반복성을 해결하기 위해.
• 초수모듈라, 초加성, k차수, p대칭 유형을 포함한 다양한 구조적 흐린 측정값으로 추가 측정값을 체계적으로 변환하는 기법을 개발하기 위해.
• 조정 가능한 타당성 범위와 통제된 랜덤 워크 절차를 통해 생성된 흐린 측정값의 무작위성 향상과 중복 감소를 위해.
• 추가 측정값과 흐린 측정값을 연결하는 통합 프레임워크를 구축하여, 여러 전문화된 흐린 측정값 유형에 걸쳐 효율적인 생성을 가능하게 하기 위해.
• 기존의 방법론을 이중 측정값으로 확장하여, 하위모듈라, 하위가성, 상위차수 유형의 변형을 유도하기 위해.

제안 방법

• 선택된 부분집합의 측정값을 조정하기 위해 허용 가능한 범위 조정을 적용함으로써, 비감소성 및 비가성 또는 비모듈라성과 같은 구조적 제약 조건을 유지한다.
• 이웃 부분집합의 값에서 유도된 경계를 통해 타당성을 보장하는 방식으로, 선형 확장 순서에서 인접한 부분집합을 교환하는 랜덤 워크 전략을 구현한다.
• 특정 조정 전략(S1–S7)을 적용하여 추가 측정값을 목표 흐린 측정값, 즉 k가성, k비가성, k비모듈라, p대칭 유형으로 변환한다.
• 모비우스 표현과 비가성/비모듈라성 지수를 사용하여 고차수 측정값의 값 조정을 위한 타당한 경계를 계산한다.
• 기존의 추가-흐린 측정값 매핑에서 하위모듈라, 하위가성, 상위차수 유형의 변형을 생성하기 위해 이중 측정값 변환을 도입한다.
• 모든 생성된 측정값을 스케일링하여 μ(N) = 1이 되도록 정규화하여 측정값 공간 전반에서 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 어떻게 추가 측정값을 초수모듈라, 초가성, k차수 측정값과 같은 구조적 흐린 측정값으로 체계적으로 변환할 수 있는가?
• RQ2 흐린 측정값의 비감소성과 구조적 성질을 유지하면서 부분집합 측정값을 조정할 수 있는 타당한 값 범위는 무엇인가?
• RQ3 어떻게 선형 확장에서의 다양성 향상과 중복 감소를 위해 랜덤 워크 절차를 설계할 수 있는가?
• RQ4 k차수 흐린 측정값에서 고차수 비가성 또는 비모듈라성 지수를 0으로 유지하기 위해 필요한 조정 전략은 무엇인가?
• RQ5 이 프레임워크는 동일한 추가 측정값 기반에서 이중 측정값(예: 하위모듈라, 하위가성)을 생성하는 데로 확장될 수 있는가?

주요 결과

• 허용 가능한 범위 기법은 이웃 부분집합, 모비우스 표현, 비가성 지수를 고려하여 부분집합 측정값의 안전하고 타당한 조정을 가능하게 한다.
• 랜덤 워크 절차는 특히 범위 제약 조건과 조합되었을 때, 선형 확장에서의 중복 감소에 기여하며, 순서상 인접한 부분집합 간의 통제된 교환을 가능하게 한다.
• 추가 측정값에서 k비모듈라 측정값으로의 변환은 |A| ≤ k인 μ(A)의 조정이 신중히 이루어져야 하며, 이후 공식(S7)을 통해 고차수 부분집합으로 변화를 전파해야 한다.
• k비가성 및 k비모듈라 측정값의 경우, 이웃 차이의 최소값 기반 정밀한 값 조정을 통해 고차수 비가성 및 비모듈라성 지수를 0으로 유지한다.
• 이 프레임워크는 단일 추가 측정값에서 정규화된, 초수모듈라, 초가성, p대칭, k내성, k최대성, k상호작용 측정값의 다양하고 타당한 사례를 성공적으로 생성한다.
• 이중 측정값 개념의 통합은 하위모듈라, 하위가성, 상위차수 유형의 변형을 도출할 수 있게 하여, 이 방법의 적용 가능성을 넓힌다.