Resumo Técnico: De Proporções Numéricas para Proporções Analógicas entre Probabilidades

Declaração do Problema

O artigo aborda a compatibilidade teórica e prática entre proporções analógicas e probabilidades. As proporções analógicas, expressas como "a está para b assim como c está para d" ($a:b::c:d$), são bem estabelecidas para valores booleanos, nominais e numéricos, servindo frequentemente como base para métodos de classificação (ex: prever uma classe para um novo item com base em três itens analógicos conhecidos). No entanto, a relação entre essas proporções e representações probabilísticas permanece subexplorada.

A questão central de pesquisa é: Se quatro perfis (representados como vetores de atributos) formam uma proporção analógica, as distribuições de probabilidade associadas a esses perfis também formam uma proporção analógica? Os autores investigam isso em dois níveis:

1. Valores de probabilidade: Probabilidades simples associadas a valores de atributos específicos.
2. Distribuições de probabilidade: Distribuições completas que descrevem as frequências de valores possíveis para um atributo discreto através de diferentes perfis.

Metodologia

1. Estrutura Teórica

Os autores estendem a definição de proporções analógicas de domínios discretos (booleano, nominal) para domínios contínuos e probabilísticos. Eles analisam duas definições primárias para proporções analógicas numéricas:

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

Eles investigam adicionalmente a Proporção Aritmético-Geométrica ($::_{arigeo}$), que exige que ambas as condições sejam atendidas simultaneamente.

O artigo estabelece várias propriedades teóricas fundamentais:

• Definição Aritmética: Para distribuições de probabilidade $a, b, c, d$ sobre um domínio finito, $a:b::_{ari}c:d$ ocorre se $a_i - b_i = c_i - d_i$ para todos os componentes $i$. Esta definição preserva a Distância de Variação Total ($TV(a,b) = TV(c,d)$) e garante a existência de uma solução $d$ dado $a, b, c$ sob restrições específicas.
• Definição Geométrica: A definição geométrica pura ($a_i/b_i = c_i/d_i$) mostra-se problemática para distribuições de probabilidade porque não garante que o vetor resultante $d$ some 1 (normalização), mesmo que $a, b, c$ sejam distribuições válidas.
• Definição Aritmético-Geométrica: Esta definição mais rigorosa ($a_i - b_i = c_i - d_i$ E $a_i/b_i = c_i/d_i$) implica que, para cada componente, os valores devem seguir padrões específicos (ex: $a_i=b_i$ e $c_i=d_i$, ou $a_i=c_i$ e $b_i=d_i$). Crucialmente, esta definição garante a invariância da divergência de Kullback-Leibler (KL) entre pares ($KL(a||b) = KL(c||d)$).

2. Validação Experimental

Os autores testam empiricamente a hipótese de que proporções analógicas entre perfis implicam proporções analógicas entre suas distribuições de probabilidade associadas.

• Conjuntos de Dados: Dois conjuntos de dados de larga escala foram utilizados:
  1. MovieLens 100K: 100.000 avaliações de 943 usuários para 1.682 filmes. Os perfis foram construídos a partir de demografia de usuários (gênero, idade, ocupação).
  2. Acidentes de Trânsito nos EUA: Aproximadamente 7,7 milhões de acidentes em 49 estados. Os perfis foram construídos a partir de variáveis categóricas (fuso horário, dia/noite, clima, vento).
• Procedimento:
  • Os perfis foram definidos como combinações de valores de atributos.
  • Para cada perfil, uma distribuição de probabilidade foi derivada com base na frequência da variável alvo (avaliação de filme 1-5 ou gravidade do acidente 1-4).
  • Proporções analógicas válidas ($a:b::c:d$) foram identificadas entre os perfis.
  • A Dissimilaridade Analógica (AD) foi calculada para as distribuições associadas. A AD mede o desvio de uma proporção analógica perfeita (especificamente a aritmética, definida como $AD = \frac{1}{2n} \sum |(a_i - b_i) - (c_i - d_i)|$).
  • Limiares (Thresholds): Experimentos foram conduzidos com variando limiares de consistência (número mínimo de instâncias por perfil) para garantir confiabilidade estatística.

Principais Contribuições

1. Formalização de Proporções Analógicas Probabilísticas: O artigo fornece definições rigorosas para proporções analógicas entre distribuições de probabilidade, distinguindo entre variantes aritméticas, geométricas e aritmético-geométricas.
2. Propriedades Teóricas:
   • Demonstrou que a definição aritmética preserva a Distância de Variação Total.
   • Demonstrou que a definição aritmético-geométrica preserva a divergência de Kullback-Leibler.
   • Provou que a definição geométrica pura é geralmente insuficiente para distribuições de probabilidade devido às restrições de normalização.
3. Evidência Empírica: Através de extensos experimentos em conjuntos de dados do mundo real, os autores mostram que, quando os perfis formam uma proporção analógica, suas distribuições de probabilidade associadas frequentemente formam uma proporção analógica aritmética com baixa dissimilaridade.
4. Extensão para Densidades Contínuas: O artigo delineia brevemente como essas definições se estendem para funções de densidade de probabilidade contínua e discute analogias baseadas em parâmetros para distribuições como Gaussiana ou Binomial.

Resultados

• Validade da Proporção Aritmética: Nos conjuntos de dados MovieLens e Acidentes de Trânsito nos EUA, um número significativo de analogias de perfis resultou em analogias de distribuição com muito baixa Dissimilaridade Analógica (AD < 0,05). Por exemplo, a relação entre avaliações masculinas e femininas em um grupo de idade espelhava a relação em outro grupo de idade através das distribuições de avaliação.
• Raridade Aritmético-Geométrica: Ao testar proporções aritmético-geométricas (que exigem tanto a condição aritmética quanto a geométrica), os resultados mostraram dissimilaridade muito maior. Os autores concluem que tais analogias estritas entre distribuições de probabilidade são raras em dados do mundo real, provavelmente devido às altas restrições impostas pela condição geométrica.
• Sensibilidade ao Limiar: A validade da regra de inferência (que a analogia de perfil implica analogia de distribuição) pareceu mais forte com amostras maiores (limiares de consistência mais altos), sugerindo que o ruído em conjuntos de dados pequenos obscurece as relações proporcionais subjacentes.

Significância e Alegações

O artigo afirma fornecer um estudo sistemático do vínculo entre o raciocínio analógico e a probabilidade, indo além dos trabalhos anteriores que os tratavam separadamente.

• Contribuição Teórica: Estabelece que as proporções analógicas podem ser definidas de forma significativa no domínio probabilístico, oferecendo novas ferramentas para o raciocínio sob incerteza.
• Implicação Prática: Os resultados sugerem que a inferência analógica pode ser estendida para prever distribuições de probabilidade para novos perfis baseando-se em perfis analógicos conhecidos, sem a necessidade de analisar diretamente a população alvo. Isso poderia aprimorar métodos de classificação e aprendizado por transferência (transfer learning).
• Perspectiva Modesta: Os autores reconhecem que a relação não é universalmente válida (alguns casos mostram dissimilaridade significativa) e que os fundamentos teóricos de por que essa relação ocorre em muitos casos do mundo real requerem mais pesquisas. Eles observam que o trabalho atual é um passo preliminar, sendo necessária pesquisa futura para explorar perfis com atributos numéricos e para refinar as explicações teóricas da validade empírica observada.

O trabalho é apresentado como uma extensão de artigos de conferência anteriores [29, 30], reorganizando o conteúdo teórico e introduzindo seções experimentais inteiramente novas para validar a hipótese de que "proporções analógicas entre perfis estão associadas a proporções analógicas entre probabilidades".