[논문 리뷰] Partial order similarity based on mutual information

Gergely Tibély, Péter Pollner외 1명|arXiv (Cornell University)|2016. 01. 22.

Advanced Algebra and Logic인용 수 1

한 줄 요약

이 논문은 조정된 상호정보량을 기반으로 한 부분 순서에 대한 새로운 유사도 측정법을 제안하며, 이는 순위 간 일치도를 위치 기반으로 고려함으로써 상위 순위에서의 불일치가 하위 순위의 불일치보다 더 큰 영향을 미친다. 이 방법은 나무 구조의 부분 순서에 대해 O(|C|² ln |C|) 시간 복잡도를 가지며, 완벽한 일치 시 유사도가 1이고 독립적인 순위 간에는 0을 기록한다.

ABSTRACT

Comparing the ranking of candidates by different voters is an important topic in social and information science with a high relevance from the point of view of practical applications. In general, ties and pairs of incomparable candidates may occur, thus, the alternative rankings are described by partial orders. Various distance measures between partial orders have already been introduced, where zero distance is corresponding to a perfect match between a pair of partial orders, and larger values signal greater differences. Here we take a different approach and propose a similarity measure based on adjusted mutual information. In general, the similarity value of unity is corresponding to exactly matching partial orders, while a low similarity is associated to a pair of independent partial orders. The time complexity of the computation of this similarity measure is $\mathcal{O}(\left|{\mathcal C} ight|^3)$ in the worst case, and $\mathcal{O}(\left|{\mathcal C} ight|^2\ln \left|{\mathcal C} ight|)$ in the typical case of partial orders corresponding to trees with constant branching number, where $\left|{\mathcal C} ight|$ denotes the number of candidates. An interesting feature of our approach is that the similarity measure is sensitive to the position of the disagreements in the ranking: Differences at the highly ranked candidates induce larger similarity drop compared to disagreements at the bottom candidates.

연구 동기 및 목표

• . 부분 순서 간 유사도 측정법을 개발하여, 불일치의 위치에 따라 그 영향을 반영한다.
• . 기존 거리 측정법의 한계를 보완하기 위해 1은 완벽한 일치, 0은 독립을 의미하는 유사도 점수를 도입한다.
• . 계층적 구조, 특히 유한 분기 인자 구조에 대해 계산 효율적인 방법을 개발한다.
• . 투표 시스템, 계층 구조 추출, 생물학적 네트워크 분석과 같은 응용 분야에서 순위 비교를 더 정밀하게 가능하게 한다.

제안 방법

• . 비교하는 두 부분 순서에서 각 후보자의 위치를 나타내는 지표 함수를 사용해 두 개의 랜덤 변수를 정의한다.
• . 이 지표 변수 간의 상호정보량을 계산하여 공유되는 순서 구조를 정량화한다.
• . 조정된 상호정보량(AMI)을 적용해 정규화하여 유사도가 0(독립)에서 1(동일) 사이로 범위가 유지되도록 한다.
• . 각 후보자에 대해 부분 순서의 하세 다이어그램 표현을 이용해 지배 집합 Dκ(i)와 Dµ(j)를 추출한다.
• . 두 부분 순서 간 지배 집합의 교차 크기를 기반으로 공동 확률 및 주변 확률을 계산한다.
• . 최악의 경우 시간 복잡도는 O(|C|³)이며, 분기 수가 일정한 나무 구조의 부분 순서에 대해서는 O(|C|² ln |C|)이다.

실험 결과

연구 질문

• RQ1 . 상위 순위에서 발생하는 불일치가 결과에 더 크게 영향을 미치도록 부분 순서 간 유사도를 어떻게 측정할 수 있는가?
• RQ2 . 직접적인 상호정보량의 정규화 문제를 피하면서도 0에서 1 사이의 진정한 유사도 척도로 해석 가능한 정보이론적 유사도 측정법을 구성할 수 있는가?
• RQ3 . 기존의 거리 측정법(예: 켄달의 타우)에 비해 제안된 유사도 측정법은 민감도와 정밀도 측면에서 어떻게 다를까?
• RQ4 . 트리와 같은 일반적인 계층적 구조에 대해 이 방법의 계산 효율성은 어떠한가?
• RQ5 . 거리 기반 방법보다 더 정확하게 부분 순서 내에서 무작위화된 요소의 비율을 추정하는 데 이 유사도 측정법을 사용할 수 있는가?

주요 결과

• . 제안된 유사도 측정법 S는 동일한 부분 순서일 경우 1을, 독립적인 순서일 경우 0을 기록하여 정규화되고 해석 가능한 척도를 제공한다.
• . 상위 순위에서 발생하는 불일치는 하위 순위의 불일치보다 상당히 더 큰 유사도 감소를 유도하며, 현실 세계의 선호 민감도를 반영한다.
• . 분기 수가 일정한 나무 구조의 부분 순서에 대해 이 방법은 O(|C|² ln |C|) 시간 복잡도를 가지며 계층적 자료 처리에 효율적이다.
• . S 유사도 측정법은 켄달의 타우 거리보다 무작위화된 후보자 비율(f-값)의 가능 범위가 더 좁게 나타나, 무작위화 수준 추정의 정밀도가 높음을 시사한다.
• . S의 유사도 분포 겹침 적분(L(S))은 f-차이가 증가함에 따라 급격히 감소하지만, 켄달의 타우(L(KH))의 경우 큰 f-간격 동안 높은 겹침을 유지하므로 S는 더 구분력이 있다.
• . 조정된 상호정보량의 공식은 직접적인 상호정보량에서 발생하는 정규화 문제를 피하여 일관되고 의미 있는 유사도 점수를 보장한다.