Resumen Técnico: De las Proporciones Numéricas a las Proporciones Analógicas entre Probabilidades

Planteamiento del Problema

El artículo aborda la compatibilidad teórica y práctica entre las proporciones analógicas y las probabilidades. Las proporciones analógicas, expresadas como "a es a b como c es a d" ($a:b::c:d$), están bien establecidas para valores booleanos, nominales y numéricos, sirviendo a menudo como base para métodos de clasificación (por ejemplo, predecir una clase para un nuevo elemento basándose en tres elementos analógicos conocidos). Sin embargo, la relación entre estas proporciones y las representaciones probabilísticas sigue estando poco explorada.

La pregunta central de investigación es: Si cuatro perfiles (representados como vectores de atributos) forman una proporción analógica, ¿forman también las distribuciones de probabilidad asociadas a estos perfiles una proporción analógica? Los autores investigan esto en dos niveles:

1. Valores de probabilidad: Probabilidades simples asociadas con valores de atributos específicos.
2. Distribuciones de probabilidad: Distribuciones completas que describen las frecuencias de los valores posibles para un atributo discreto a través de diferentes perfiles.

Metodología

1. Marco Teórico

Los autores extienden la definición de proporciones analógicas desde dominios discretos (booleanos, nominales) hacia dominios continuos y probabilísticos. Analizan dos definiciones primarias para proporciones analógicas numéricas:

• Proporción Aritmética ($::_{ari}$): Definida por $a - b = c - d$.
• Proporzaón Geométrica ($::_{geo}$): Definida por $a/b = c/d$ (con $0/0=1$).

Además, investigan la Proporción Aritmético-Geométrica ($::_{arigeo}$), que requiere que ambas condiciones se cumplan simultáneamente.

El artículo establece varias propiedades teóricas clave:

• Definición Aritmética: Para distribuciones de probabilidad $a, b, c, d$ sobre un dominio finito, $a:b::_{ari}c:d$ se cumple si $a_i - b_i = c_i - d_i$ para todos los componentes $i$. Esta definición preserva la Distancia de Variación Total ($TV(a,b) = TV(c,d)$) y garantiza la existencia de una solución $d$ dado $a, b, c$ bajo restricciones específicas.
• Definición Geométrica: Se demuestra que la definición geométrica pura ($a_i/b_i = c_i/d_i$) es problemática para las distribuciones de probabilidad porque no garantiza que el vector resultante $d$ sume 1 (normalización), incluso si $a, b, c$ son distribuciones válidas.
• Definición Aritmético-Geométrica: Esta definición más estricta ($a_i - b_i = c_i - d_i$ Y $a_i/b_i = c_i/d_i$) implica que, para cada componente, los valores deben seguir patrones específicos (por ejemplo, $a_i=b_i$ y $c_i=d_i$, o $a_i=c_i$ y $b_i=d_i$). Crucialmente, esta definición asegura la invariancia de la divergencia de Kullback-Leibler (KL) entre pares ($KL(a||b) = KL(c||d)$).

2. Validación Experimental

Los autores prueban empíricamente la hipótesis de que las proporciones analógicas entre perfiles implican proporciones analógicas entre sus distribuciones de probabilidad asociadas.

• Conjuntos de Datos: Se utilizaron dos conjuntos de datos a gran escala:
  1. MovieLens 100K: 100,000 calificaciones de 943 usuarios sobre 1,682 películas. Los perfiles se construyeron a partir de la demografía de los usuarios (género, edad, ocupación).
  2. Accidentes de Tráfico en EE. UU.: ~7.7 millones de accidentes en 49 estados. Los perfiles se construyeron a partir de variables categóricas (zona horaria, día/noche, clima, viento).
• Procedimiento:
  • Los perfiles se definieron como combinaciones de valores de atributos.
  • Para cada perfil, se derivó una distribución de probabilidad basada en la frecuencia de la variable objetivo (calificación de película 1-5 o severidad de accidente 1-4).
  • Se identificaron proporciones analógicas válidas ($a:b::c:d$) entre los perfiles.
  • Se calculó la Disimilitud Analógica (AD) para las distribuciones asociadas. La AD mide la desviación de una proporción analógica perfecta (específicamente la aritmética, definida como $AD = \frac{1}{2n} \sum |(a_i - b_i) - (c_i - d_i)|$).
• Umbrales: Los experimentos se realizaron con variaciones en los umbrales de consistencia (número mínimo de instancias por perfil) para asegurar la fiabilidad estadística.

Contribuciones Clave

1. Formalización de las Proporciones Analógicas Probabilísticas: El artículo proporciona definiciones rigurosas para las proporciones analógicas entre distribuciones de probabilidad, distinguiendo entre las variantes aritmética, geométrica y aritmético-geométrica.
2. Propiedades Teóricas:
   • Demostró que la definición aritmética preserva la Distancia de Variación Total.
   • Demostó que la definición aritmético-geométrica preserva la divergencia de Kullback-Leibler.
   • Probó que la definición geométrica pura es generalmente insuficiente para las distribuciones de probabilidad debido a las restricciones de normalización.
3. Evidencia Empírica: A través de extensos experimentos en conjuntos de datos del mundo real, los autores muestran que cuando los perfiles forman una proporción analógica, sus distribuciones de probabilidad asociadas suelen formar una proporción analógica aritmética con baja disimilitud.
4. Extensión a Densidades Continuas: El artículo esboza brevemente cómo estas definiciones se extienden a las funciones de densidad de probabilidad continua y discute las analogías basadas en parámetros para distribuciones como la Gaussiana o la Binomial.

Resultados

• Validez de la Proporción Aritmética: En los conjuntos de datos de MovieLens y Accidentes de Tráfico en EE. UU., un número significativo de analogías de perfiles resultaron en analogías de distribución con una Disimilitud Analógica muy baja (AD < 0.05). Por ejemplo, la relación entre las calificaciones de hombres y mujeres en un grupo de edad reflejó la relación en otro grupo de edad a través de las distribuciones de calificación.
• Rareza de la Proporción Aritmético-Geométrica: Al probar las proporciones aritmético-geométricas (que requieren tanto la condición aritmética como la geométrica), los resultados mostraron una disimilitud mucho mayor. Los autores concluyen que tales analogías estrictas entre distribuciones de probabilidad son raras en datos del mundo real, probablemente debido a las altas restricciones impuestas por la condición geométrica.
• Sensibilidad al Umbral: La validez de la regla de inferencia (que la analogía de perfiles implica la analogía de distribuciones) pareció ser más fuerte con tamaños de muestra más grandes (umbrales de consistencia más altos), lo que sugiere que el ruido en conjuntos de datos pequeños oscurece las relaciones proporcionales subyacentes.

Significado y Reivindicaciones

El artículo afirma proporcionar un estudio sistemático del vínculo entre el razonamiento analógico y la probabilidad, yendo más allá del trabajo previo que los trataba por separado.

• Contribución Teórica: Establece que las proporciones analógicas pueden definirse significativamente en el dominio probabilístico, ofreciendo nuevas herramientas para el razonamiento bajo incertidumbre.
• Implicación Práctica: Los resultados sugieren que la inferencia analógica puede extenderse para predecir distribuciones de probabilidad para nuevos perfiles basándose en perfiles analógicos conocidos, sin necesidad de analizar directamente la población objetivo. Esto podría mejorar los métodos de clasificación y aprendizaje por transferencia.
• Perspectiva Modesta: Los autores reconocen que la relación no es universalmente válida (algunos casos muestran una disimilitud significativa) y que los fundamentos teóricos de por qué esta relación se mantiene en muchos casos del mundo real requieren más investigación. Señalan que el trabajo actual es un paso preliminar, y que se requiere investigación futura para explorar perfiles con atributos numéricos y para refinar las explicaciones teóricas de la validez empírica observada.

El trabajo se presenta como una extensión de trabajos previos de conferencias [29, 30], reorganizando el contenido teórico e introduciendo secciones experimentales completamente nuevas para validar la hipótesis de que "las proporciones analógicas entre perfiles están asociadas con proporciones analógicas entre probabilidades".