[论文解读] Measuring Conflict in a Multi-Source Environment as a Normal Measure

Wei Pan, John E. Ball+3 more|arXiv (Cornell University)|Mar 12, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 2被引用 3

一句话总结

本文提出了一种新颖的冲突度量（CF），用于多源区间值数据，基于正态测度框架，以量化源之间的不一致，而无需依赖外部可信度知识。该方法将冲突计算为全局范围子区间的加权和，其中源未覆盖的区域会提高冲突得分；结果表明，该度量与人类直觉一致，并能有效识别模拟和真实传感器数据中的冲突源。

ABSTRACT

In a multi-source environment, each source has its own credibility. If there is no external knowledge about credibility then we can use the information provided by the sources to assess their credibility. In this paper, we propose a way to measure conflict in a multi-source environment as a normal measure. We examine our algorithm using three simulated examples of increasing conflict and one experimental example. The results demonstrate that the proposed measure can represent conflict in a meaningful way similar to what a human might expect and from it we can identify conflict within our sources.

研究动机与目标

• 开发一种适用于源可信度未知且必须仅从数据中推断的多源环境中的冲突度量方法。
• 创建一种与人类对源输出不一致性的直觉相符的冲突度量。
• 通过一种可量化、可扩展的度量，实现对区间值证据中冲突源的识别。
• 为未来正式冲突检测工作提供基础，并扩展至集合值信息。

提出的方法

• 冲突度量（CF）被定义为源组合上的正态测度（NM），确保单调性，并避免在添加源时出现反直觉的下降。
• 该方法根据所有源区间端点将全局测量范围划分为子区间，形成一组非重叠区间 $\overline{P}_k$。
• 对于每个子区间 $\overline{P}_k$，算法基于给定元组 $A'$ 中未覆盖 $\overline{P}_k$ 的源的比例计算冲突权重，并按区间长度进行缩放。
• 核心公式 $\tilde{g}^{CF}(A') = \sum_{k=1}^{2n-1} \Phi(\overline{P}_k, A') \cdot |\overline{P}_k| \cdot \left(\frac{i - O(\overline{P}_k)}{i}\right)$ 用于计算大小为 $i$ 的源元组 $A'$ 的总冲突。
• 通过将原始冲突总和除以元组的总范围，获得最终归一化的冲突 $g^{CF}(A')$，以确保尺度不变性。
• 该方法使用格结构计算所有源组合的 CF 值，从而实现比较和冲突源识别。

Figure 1: Fuzzy measure lattice for three information sources.

实验结果

研究问题

• RQ1 能否构建一种冲突度量，以反映人类对多源区间数据中不一致性的直觉？
• RQ2 如何在不依赖外部可信度知识的情况下量化冲突？
• RQ3 所提出的度量能否一致地识别出一组区间值源中最具冲突性的源？
• RQ4 当应用于具有动态输出的真实世界传感器数据时，该度量是否保持稳定且具有意义？

主要发现

• 所提出的冲突度量（CF）产生的值与人类对冲突的预期一致，特别是在检测不一致源方面表现良好。
• 在示例1中，$\{x_1,x_2,x_4\}$ 的 CF 值高于 $\{x_1,x_2,x_3\}$，正确识别出源4因与其他源重叠较少而更具冲突性。
• 在示例2中，CF 正确识别出源1为唯一冲突源，因为 $g^{CF}(\{x_1,x_4\}) > g^{CF}(\{x_1,x_3\})$，这是由于非重叠程度更大。
• 在示例3中，所有区间均不相交，上层的 CF 值超过 0.5，最高达 0.8333，表明存在极端冲突。
• 在实验示例中，随着传感器1温度上升，$g^{CF}(\{x_1,x_2,x_3,x_4\})$ 增加，表明冲突上升；而 $g^{CF}(\{x_2,x_3,x_4\})$ 保持稳定，确认传感器1是主要冲突源。
• CF 值的最大差异出现在完整集合与排除传感器1的集合之间，进一步证实传感器1是实验数据中最具冲突性的源。

Figure 2: Counting the number of sources with one region that has no sources and is marked as 0.