[论文解读] Context-Dependent Similarity

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

Rough Sets and Fuzzy Logic被引用 7

一句话总结

本文提出并比较了两种机制——属性加权和差异加权——用于计算人工智能中的上下文相关相似性。它提出了一种基于上下文内子集大小的非相似性度量，证明了其度量化性质，并表明尽管属性加权可产生度量距离，但差异加权通常不能，从而为不确定推理系统中的上下文敏感相似性提供了理论基础。

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.

研究动机与目标

• 分析并比较属性加权与差异加权作为上下文相关相似性机制的能力。
• 基于给定上下文中的子集大小，开发一种非相似性度量。
• 确立所提出的非相似性度量的度量性质。
• 研究不同加权方法在相似性计算中是否具有度量性与非度量性的本质区别。
• 为不确定人工智能系统中的上下文敏感相似性提供理论与实践基础。

提出的方法

• 基于与上下文相关的子集大小，提出一种上下文相关的非相似性度量。
• 定义并分析所提度量的度量性质（例如三角不等式）。
• 将属性加权（保持度量性质）与差异加权（通常无法保持）进行比较。
• 将该框架应用于人工智能中的不确定性推理，特别是在UAI语境下。
• 通过形式化分析表明，属性加权的非相似性度量始终是度量，而差异加权的度量通常是非度量的。
• 采用理论推理与形式化证明技术，验证所提相似性度量的性质。

实验结果

研究问题

• RQ1 属性加权与差异加权在生成上下文相关相似性度量方面的能力如何比较？
• RQ2 能否证明一种基于上下文内子集大小的非相似性度量是有效的度量？
• RQ3 在何种条件下，差异加权会无法产生度量相似性度量？
• RQ4 以子集大小作为上下文相关非相似性的基础，其理论含义是什么？
• RQ5 如何形式化上下文相关相似性，以支持人工智能中的不确定性推理？

主要发现

• 所提出的基于上下文内子集大小的非相似性度量在形式上被证明是有效的度量。
• 属性加权始终产生满足三角不等式及其他度量公理的度量非相似性度量。
• 差异加权的非相似性度量通常是非度量的，在许多情况下不满足三角不等式。
• 理论分析为在上下文敏感的人工智能应用中选择适当的相似性机制提供了基础。
• 研究结果支持在需要度量性质时使用属性加权，同时突显了差异加权在基于度量的推理中的局限性。
• 本工作为不确定性推理与人工智能系统中的上下文相关相似性提供了一个正式框架。