🤖 AI

From numerical proportions to analogical proportions between probabilities

Diese Arbeit untersucht die Formulierung und die Eigenschaften analogischer Proportionen zwischen Wahrscheinlichkeiten und Verteilungen und erforscht, ob Verteilungen, die mit Profilen assoziiert sind, welche eine analogische Proportion bilden, diese Relation ebenfalls erfüllen, um potenzielle Klassifizierungsanwendungen zu unterstützen.

Ursprüngliche Autoren: Henri Prade, Gilles Richard

Veröffentlicht 2026-06-23

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Henri Prade, Gilles Richard

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die große Idee: „A steht zu B wie C zu D“ in der Welt des Zufalls

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel mit einer ganz speziellen Art von Logik zu lösen, der sogenannten analogen Proportion. Die Grundregel ist simpel: „A steht zu B wie C zu D.“

In der realen Welt bedeutet dies meist, dass man vier Dinge betrachtet und prüft, ob die Beziehung zwischen den ersten beiden dieselbe ist wie die Beziehung zwischen den letzten beiden.

Beispiel: „Ein Schlüssel steht zu einem Schloss wie ein Passwort zu einem Computer.“ Die Beziehung (Mechanismus zum Öffnen) ist dieselbe.

Lange Zeit haben Wissenschaftler diese Logik mit klaren, harten Fakten angewendet (wie „Rot steht zu Stopp wie Grün zu Go“). Aber dieses Paper stellt eine knifflige Frage: Was passiert, wenn wir diese Logik auf Wahrscheinlichkeiten und den Zufall anwenden?

Wenn Sie vier Gruppen von Menschen haben und die Profile dieser Menschen dem „A steht zu B wie C zu D“-Muster entsprechen, passen dann auch ihre Verhaltensmuster (Wahrscheinlichkeiten) in dieses gleiche Muster?

Die zwei Hauptregeln des Spiels

Die Autoren untersuchen zwei verschiedene Wege, um zu messen, ob diese Wahrscheinlichkeitsmuster übereinstimmen. Betrachten Sie dies als zwei verschiedene Lineale, um Ähnlichkeit zu messen.

1. Das „Arithmetische Lineal“ (Die Differenz-Methode)

Dies ist die einfachere Regel. Sie fragt: „Wie stark hat sich etwas verändert?“

Die Metapher: Stellen Sie sich vor, Sie gehen spazieren.
- A geht 10 Schritte. B geht 12 Schritte. Die Differenz ist +2.
- C geht 20 Schritte. D geht 22 Schritte. Die Differenz ist ebenfalls +2.
- Urteil: Die Beziehung hält! Die „Lücke“ zwischen A und B ist dieselbe wie die Lücke zwischen C und D.
Im Paper: Die Autoren fanden heraus, dass es mathematisch wunderbar funktioniert, wenn man betrachtet, wie wahrscheinlich bestimmte Ereignisse sind (wie Filmbewertungen oder Verkehrsunfälle), und die Differenz in den Wahrscheinlichkeiten zwischen zwei Gruppen der Differenz zwischen zwei anderen Gruppen entspricht. Es bewahrt die „Distanz“ zwischen den Gruppen.

2. Das „Geometrische Lineal“ (Die Verhältnis-Methode)

Dies ist die strengere, komplexere Regel. Sie fragt: „Um wie viel Mal größer ist das eine als das andere?“

Die Metapher: Stellen Sie sich vor, Sie backen.
- A verwendet 1 Tasse Mehl. B verwendet 2 Tassen. Das Verhältnis ist 1:2 (B ist doppelt so groß wie A).
- C verwendet 3 Tassen. D verwendet 6 Tassen. Das Verhältnis ist ebenfalls 1:2.
- Urteil: Die Beziehung hält!
Im Paper: Die Autoren versuchten, die „Differenz“-Regel und die „Verhältnis“-Regel zu einer Super-Regel zu kombinieren (genannt Arithmetisch-Geometrisch). Sie entdeckten, dass für diese Super-Regel bei Wahrscheinlichkeiten die Gruppen in einer ganz bestimmten Weise sehr, sehr ähnlich sein müssen. Es ist, als würde man versuchen, zwei Paare von Schuhen zu finden, bei denen sowohl der Größenunterschied als das Preisverhältnis identisch sind. Das ist möglich, aber extrem selten und schwer in der Realität zu finden.

Die Detektivarbeit: Die Theorie testen

Die Autoren haben nicht nur auf dem Papier gerechnet; sie sind in die reale Welt gegangen, um zu sehen, ob diese Logik standhält. Sie agierten als Daten-Detektive unter Verwendung zweier riesiger Datensätze:

MovieLens (Das Film-Publikum): Sie untersuchten 100.000 Filmbewertungen von fast 1.000 Nutzern. Sie gruppierten die Nutzer nach Alter und Geschlecht (z. B. „Junge Männer“, „Ältere Frauen“).
- Der Test: Sie fragten: „Sieht die Art und Weise, wie junge Männer Filme bewerten, im Vergleich zu älteren Männern genauso aus wie die Art und Weise, wie junge Frauen im Vergleich zu älteren Frauen Filme bewerten?“
- Das Ergebnis: Ja, größtenteils. Wenn sie die Differenzen in den Bewertungen dieser Gruppen betrachteten (das Arithmetische Lineal), stimmten die Muster sehr gut überein. Die „Lücke“ in den Bewertungen war konsistent.
US-Verkehrsunfälle (Das Straßen-Publikum): Sie untersuchten 7,7 Millionen Verkehrsunfälle in den USA, gruppiert nach Wetter, Tageszeit und Ort.
- Der Test: „Ist der Unterschied in der Schwere der Unfälle zwischen Tag und Nacht im Osten derselbe wie der Unterschied zwischen Tag und Nacht im Westen?“
- Das Ergebnis: Ja, größtenteils. Auch hier folgte die „Lücke“ in den Schweregraden dem analogen Muster.

Der „Fast-Faktor“

Das Paper führt ein Konzept namens Analoge Dissimilarität ein. Betrachten Sie dies als einen „Konfusions-Score“.

Wenn der Score 0 ist, ist die Analogie perfekt.
Wenn der Score niedrig ist (z. B. 0,05), ist die Analogie sehr nah dran, wie ein leicht unscharfes Foto.
Wenn der Score hoch ist, ist die Analogie gebrochen.

In ihren Experimenten waren die meisten „Konfusions-Scores“ sehr niedrig (grüne Balken in ihren Diagrammen), was bedeutet, dass die Logik in realen Daten gut funktioniert. Sie fanden jedoch auch heraus, dass die Scores deutlich anstiegen, wenn sie versuchten, die strenge „Super-Regel“ (Arithmetisch-Geometrisch) anzuwenden. Dies bestätigt, dass während die einfache „Differenz“-Regel hervorragend mit Wahrscheinlichkeiten funktioniert, die komplexe „Verhältnis“-Regel für die meisten realen Situationen zu wählerisch ist.

Das Fazit

Dieses Paper beweist, dass analoges Denken auch mit Wahrscheinlichkeiten funktioniert.

Wenn Sie vier Gruppen von Menschen (oder Ereignissen) haben, die in einer bestimmten Weise miteinander verwandt sind (A steht zu B wie C zu D), können Sie oft vorhersagen, dass auch deren Wahrscheinlichkeiten (wie wahrscheinlich sie etwas tun werden) dieser Beziehung folgen werden.

Die gute Nachricht: Die einfache „Differenz“-Methode funktioniert sehr gut. Sie können nutzen, um eine neue Gruppe vorherzusagen, basierend auf drei anderen Gruppen, die Sie bereits kennen.
Der Haken: Die komplexe „Verhältnis“-Methode ist mathematisch wunderschön, kommt aber in der Realität selten vor, da sie erfordert, dass zu viele perfekte Bedingungen gleichzeitig erfüllt sind.

Kurz gesagt: Logik funktioniert auch im Umgang mit dem Zufall, solange man das richtige Lineal zur Messung verwendet.

Technisches Resümee: Von numerischen Proportionen zu analogen Proportionen zwischen Wahrscheinlichkeiten

Problemstellung

Die Arbeit befasst sich mit der theoretischen und praktischen Kompatibilität zwischen analogen Proportionen und Wahrscheinlichkeiten. Analoge Proportionen, ausgedrückt als „a ist zu b wie c ist zu d“ ( $a:b::c:d$ ), sind für boolesche, nominale und numerische Werte gut etabliert und dienen oft als Grundlage für Klassifizierungsmethoden (z. B. die Vorhersage einer Klasse für ein neues Objekt basierend auf drei bekannten analogen Objekten). Das Verhältnis zwischen diesen Proportionen und probabilistischen Repräsentationen ist jedoch bisher unzureichend erforscht worden.

Die zentrale Forschungsfrage lautet: Wenn vier Profile (dargestellt als Vektoren von Attributen) eine analoge Proportion bilden, bilden dann auch die mit diesen Profilen assoziierten Wahrscheinlichkeitsverteilungen eine analoge Proportion? Die Autoren untersuchen dies auf zwei Ebenen:

Wahrscheinlichkeitswerte: Einfache Wahrscheinlichkeiten im Zusammenhang mit spezifischen Attributwerten.
Wahrscheinlichkeitsverteilungen: Vollständige Verteilungen, welche die Häufigkeiten möglicher Werte für ein diskretes Attribut über verschiedene Profile hinweg beschreiben.

Methodik

1. Theoretischer Rahmen

Die Autoren erweitern die Definition analoger Proportionen von diskreten Domänen (boolesch, nominal) auf kontinuierliche und probabilistische Domänen. Sie analysieren zwei primäre Definitionen für numerische analoge Proportionen:

Arithmetische Proportion ( $::_{ari}$ ): Definiert durch $a - b = c - d$ .
Geometrische Proportion ( $::_{geo}$ ): Definiert durch $a/b = c/d$ (mit $0/0=1$ ).

Des Weiteren untersuchen sie die arithmetisch-geometrische Proportion ( $::_{arigeo}$ ), die erfordert, dass beide Bedingungen gleichzeitig erfüllt sind.

Die Arbeit etabliert mehrere zentrale theoretische Eigenschaften:

Arithmetische Definition: Für Wahrscheinlichkeitsverteilungen $a, b, c, d$ über einem endlichen Bereich gilt $a:b::_{ari}c:d$ , wenn $a_i - b_i = c_i - d_i$ für alle Komponenten $i$ gilt. Diese Definition bewahrt den Total Variation Abstand ($TV(a,b) = TV(c,d)$) und garantiert die Existenz einer Lösung $d$ gegeben $a, b, c$ unter spezifischen Randbedingungen.
Geometrische Definition: Die rein geometrische Definition ( $a_i/b_i = c_i/d_i$ ) erweist sich für Wahrscheinlichkeitsverteilungen als problematisch, da sie nicht garantiert, dass der resultierende Vektor $d$ die Summe 1 ergibt (Normalisierung), selbst wenn $a, b, c$ gültige Verteilungen sind.
Arithmetisch-geometrische Definition: Diese strengere Definition ( $a_i - b_i = c_i - d_i$ UND $a_i/b_i = c_i/d_i$ ) impliziert, dass für jede Komponente die Werte spezifischen Mustern folgen müssen (z. B. $a_i=b_i$ und $c_i=d_i$ , oder $a_i=c_i$ und $b_i=d_i$ ). Entscheidend ist, dass diese Definition die Invarianz der Kullback-Leibler-Divergenz zwischen Paaren ($KL(a||b) = KL(c||d)$) gewährleistet.

2. Experimentelle Validierung

Die Autoren testen empirisch die Hypothese, dass analoge Proportionen zwischen Profilen analoge Proportionen zwischen ihren assoziierten Wahrscheinlichkeitsverteilungen implizieren.

Datensätze: Es wurden zwei groß angelegte Datensätze verwendet:
1. MovieLens 100K: 100.000 Bewertungen von 943 Nutzern für 1.682 Filme. Die Profile wurden aus Nutzerdemografien (Geschlecht, Alter, Beruf) konstruiert.
2. US Traffic Accidents: Etwa 7,7 Millionen Unfälle in 49 Bundesstaaten. Die Profile wurden aus kategorialen Variablen (Zeitzone, Tag/Nacht, Wetter, Wind) konstruiert.
Verfahren:
- Profile wurden als Kombinationen von Attributwerten definiert.
- Für jedes Profil wurde eine Wahrscheinlichkeitsverteilung basierend auf der Häufigkeit der Zielvariable (Filmbewertung 1–5 oder Unfallschwere 1–4) abgeleitet.
- Gültige analoge Proportionen ( $a:b::c:d$ ) wurden unter den Profilen identifiziert.
- Die analoge Unähnlichkeit (Analogical Dissimilarity, AD) wurde berechnet. AD misst die Abweichung von einer perfekten analogen Proportion (speziell der arithmetischen, definiert als $AD = \frac{1}{2n} \sum |(a_i - b_i) - (c_i - d_i)|$ ).
Schwellenwerte: Die Experimente wurden mit variierenden Konsistenzschwellen (Mindestanzahl an Instanzen pro Profil) durchgeführt, um die statistische Zuverlässigkeit zu gewährleisten.

Zentrale Beiträge

Formalisierung probabilistischer analoger Proportionen: Die Arbeit liefert rigorose Definitionen für analoge Proportionen zwischen Wahrscheinlichkeitsverteilungen und unterscheidet dabei zwischen arithmetischen, geometrischen und arithmetisch-geometrischen Varianten.
Theoretische Eigenschaften:
- Nachgewiesen, dass die arithmetische Definition den Total Variation Abstand bewahrt.
- Nachgewiesen, dass die arithmetisch-geometrische Definition die Kullback-Leibler-Divergenz bewahrt.
- Nachgewiesen, dass die rein geometrische Definition aufgrund von Normalisierungsbeschränkungen für Wahrscheinlichkeitsverteilungen im Allgemeinen unzureichend ist.
Empirische Evidenz: Durch umfangreiche Experimente mit realen Datensätzen zeigen die Autoren, dass wenn Profile eine analoge Proportion bilden, ihre assoziierten Wahrscheinlichkeitsverteilungen oft eine arithmetische analoge Proportion mit geringer Unähnlichkeit aufweisen.
Erweiterung auf kontinuierliche Dichten: Die Arbeit skizziert kurz, wie sich diese Definitionen auf kontinuierliche Wahrscheinlichkeitsdichtefunktionen erstrecken lassen, und diskutiert parameterbasierte Analogien für Verteilungen wie die Gauß- oder Binomialverteilung.

Ergebnisse

Gültigkeit arithmetischer Proportionen: In den Datensätzen MovieLens und US Traffic Accidents führten eine signifikante Anzahl von Profilanalogien zu Verteilungsanalogien mit sehr geringer analoger Unähnlichkeit (AD < 0,05). Beispielsweise spiegelte die Beziehung zwischen männlichen und weiblichen Bewertungen in einer Altersgruppe die Beziehung in einer anderen Altersgruppe über die Bewertungsverteilungen hinweg wider.
Seltenheit arithmetisch-geometrischer Proportionen: Bei der Untersuchung auf arithmetisch-geometrische Proportionen (die sowohl die arithmetische als auch die geometrische Bedingung erfordern) zeigten die Ergebnisse eine viel höhere Unähnlichkeit. Die Autoren kommen zu dem Schluss, dass solch strikte Analogien zwischen Wahrscheinlichkeitsverteilungen in realen Daten selten sind, was wahrscheinlich auf die hohen Anforderungen der geometrischen Bedingung zurückzuführen ist.
Sensitivität gegenüber Schwellenwerten: Die Gültigkeit der Inferenzregel (dass Profilanalogie eine Verteilungsanalogie impliziert) schien mit größeren Stichproben (höheren Konsistenzschwellen) stärker zu sein, was darauf hindeutet, dass Rauschen in kleinen Datensätzen die zugrunde liegenden proportionalen Beziehungen verschleiert.

Bedeutung und Behauptungen

Die Arbeit beansprucht, eine systematische Studie des Zusammenhangs zwischen analogem Denken und Wahrscheinlichkeit zu liefern, indem sie über bisherige Arbeiten hinausgeht, die beide Themen getrennt behandelten.

Theoretischer Beitrag: Sie stellt fest, dass analoge Proportionen im probabilistischen Bereich sinnvoll definiert werden können, was neue Werkzeuge für das Denken unter Unsicherheit bietet.
Praktische Implikation: Die Ergebnisse legen nahe, dass analoge Inferenz genutzt werden kann, um Wahrscheinlichkeitsverteilungen für neue Profile basierend auf bekannten analogen Profilen vorherzusagen, ohne die Zielpopulation direkt analysieren zu müssen. Dies könnte Klassifizierungs- und Transfer-Learning-Methoden verbessern.
Bescheidene Ausblicke: Die Autoren räumen ein, dass die Beziehung nicht universell gültig ist (einige Fälle zeigen signifikante Verzerrungen) und dass die theoretischen Grundlagen dafür, warum diese Beziehung in vielen realen Fällen gilt, weiterer Forschung bedürfen. Sie merken an, dass die vorliegende Arbeit ein vorläufiger Schritt ist und zukünftige Forschung notwendig ist, um Profile mit numerischen Attributen zu untersuchen und die theoretischen Erklärungen für die beobachtete empirische Gültigkeit zu verfeinern.

Die Arbeit ist eine Erweiterung früherer Konferenzarbeiten [29, 30], wobei der theoretische Inhalt neu organisiert und völlig neue experimentelle Abschnitte eingeführt wurden, um die Hypothese zu validieren, dass „analoge Proportionen zwischen Profilen mit analogen Proportionen zwischen Wahrscheinlichkeiten assoziiert sind“.