A belief combination rule for a large number of sources
Northwestern Polytechnical University(西北工业大学);University of Rennes 1(雷恩第一大学)
信度函数理论被广泛用于多源数据。在该框架中,根据证据源的属性提出了不同的证据合成规则。然而,当有大量的源时,这些组合规则中的大多数是不有效的。这是由于复杂性或存在的吸收元素,如总冲突质量函数的合取为基础的规则时,适用于不可靠的证据。在本文中,基于大多数源是可靠的假设,大量的源的组合规则,提出了使用一个简单的想法:源共享的共同的想法越多,这些源被认为是越可靠的。该规则适用于聚合可能不都是可靠的大量源。它将保持合取规则的精神,以加强对来源一致的焦点元素的信念。空集上的质量将被保留作为冲突的指示器。建议的规则,称为LNS-CR(合取组合规则的大量来源),综合质量函数进行评估。实验结果表明,该规则可以有效地用于组合大量的质量函数,并得出主要的意见。
2018-09-28 cs.AI
Convex Combination Belief Propagation Algorithms
我们提出了新的消息传递算法进行推理与图形模型。我们的方法是专为最困难的推理问题,循环的信念传播和其他算法无法收敛。当底层图形模型是非循环的时,置信传播保证收敛,但是当底层图形具有复杂拓扑时,置信传播可能无法收敛并且对初始化敏感。本文介绍了修改标准的信念传播算法,导致的方法,收敛到唯一的解决方案的图形模型与任意拓扑结构和潜在的功能。
2022-07-18 cs.AI stat.CO
Combination of Evidence Using the Principle of Minimum Information Gain
University of Regina(里贾纳大学)
在任何处理不确定信息的最重要的方面之一是更新不确定度的组合规则。信度函数理论使用Dempster规则来组合由独立证据体定义的两个信度函数。然而,有限的依赖信息的累积信念的Dempster规则可能会导致不满意的结果。本研究提出了一种方法来确定累积信念的前提下,从组合过程中的信息增益应是最小的。该方法提供了一种机制,当所有条件概率都可用时,该机制等效于贝叶斯规则,当归一化常数等于1时,该机制等效于Dempster规则。所提出的最小信息增益的原则是等价的最大熵形式主义,最小交叉熵的原则的一个特殊情况。这一原则的应用结果在一个单调增加的信念与一致的证据的积累。所建议的办法可以为查明各种证据之间的冲突提供一个更合理的标准。
2013-03-27 cs.AI
Parameter estimation based on interval-valued belief structures
Southwest University(西南大学);Guangdong University of Foreign Studies(广东外语外贸大学);Sun Yat-Sen University(中山大学);Hong Kong Polytechnic University(香港理工大学);Vanderbilt University(范德堡大学)
基于信度结构表示的不确定数据的参数估计是Dempster-Shafer理论的最新研究课题之一。本文提出了一种新的方法,用于信度结构不确定且表示为区间值信度结构时的参数估计。该方法同时考虑了似然准则的最大化和估计参数不确定性的最小化。最后,以确定性和不确定性信念结构的参数估计为例,说明了该方法的有效性和通用性。
2014-02-15 cs.AI
Distributed Revision of Belief Commitment in Multi-Hypothesis Interpretations
UCLA(加利福尼亚大学洛杉矶分校)
本文扩展了信念网络的应用,包括信念承诺的修正,即,对一组假设的绝对接受,这些假设共同构成了对现有证据的最令人满意的解释。建立了非单调推理的一致性模型,提出了分布式信念修正算法。我们表明,在单连接网络中,最令人满意的解释可以找到在线性时间的消息传递算法类似于一个信念更新。在多连通网络中,问题可能是指数困难的,但如果网络是稀疏的,拓扑考虑可以用来使解释任务易于处理。一般来说,找到最可能的假设组合并不比计算任何单个假设的置信度更复杂。在医学诊断中的应用举例说明。
2013-03-27 cs.AI
Evidential Reasoning in a Categorial Perspective: Conjunction and Disjunction of Belief Functions
IRIDIA, Universite Libre de Bruxelles(布鲁塞尔自由大学IRIDIA)
证据推理的范畴方法可以看作是RichardJeffrey(1965)的概率运动学方法和E. T. Jaynes(1957年)。作为这种观点的结果,众所周知,范畴论为逻辑联结词提供了自然的定义。特别是,析取和合取是由一般范畴结构(称为乘积和余积)建模的。在本文中,我主要集中在Dempster-Shafer理论的信念函数,我介绍了一类我叫Dempster?的类别。证明了可分信度函数子范畴中合取与析取的存在性,并给出了明确的计算公式。在登普斯特?的类别,新定义的连接可以被看作是最谨慎的连接的信念,因此没有假设的独特性(来源)的信念是需要的,而不是登普斯特?的规则的组合,这要求明确(来源)的信念。
2013-03-20 cs.AI
Default Reasoning and the Transferable Belief Model
IRIDIA, Universite Libre de Bruxelles(布鲁塞尔自由大学IRIDIA)
不恰当地使用Dempster的组合规则导致一些作者拒绝Dempster-Shafer模型,认为当涉及违约时,它会导致不可接受的结论。一个最经典的例子是关于企鹅翠儿。本文将依次介绍:Tweety案例中管理失误的根源;两种违约类型;基于可转移信念模型的两种违约类型的正确解决方案(我们对Dempster-Shafer模型的解释(Shafer 1976,Smets 1988));除非明确说明,本文中使用的所有置信函数都是简单支持函数,也就是说,只有一个识别框架的命题(焦点)得到一个正的基本信念质量,其余的质量被赋予重言式的信念函数。每个置信函数将由其焦点和焦点的权重(例如m(A)=.9)来描述。基本信念质量的计算总是通过将每个信念函数虚扩展到由所有相关变量构建的乘积空间,通过Dempster组合规则在该空间上组合它们,并将结果投影到对应于每个单独变量的空间来执行。
2013-03-27 cs.AI
Imprecise Belief Fusion Facing a DST benchmark problem
Federal University of Ceará(塞阿拉联邦大学)
针对Dempster-Shafer理论(DST)信念组合规则存在的同等可信度智能体意见被忽略的异常,研究发现DST与概率逻辑形式体系同构,提出新型融合流程替代原组合规则以消除异常,并应用于DST悖论问题。
2024-08-16 cs.AI
Generalization of Dempster-Shafer theory: A complex belief function
Southwest University(西南大学)
证据理论由于其在不需要先验信息的情况下对不确定性建模的灵活性和有效性,在各个领域得到了广泛的应用。然而,现有的证据理论是不足以考虑的情况下,它没有能力表达的数据在其执行过程中的给定阶段的时间的波动,以及不可避免地涉及到数据的不确定性和不精确性,同时发生的变化的阶段或周期性的数据。因此,本文提出了一种推广的Dempster-Shafer证据理论。具体地说,广义Dempster-Shafer证据理论中的质量函数是用复数来表示的,称为复基本信念赋值,它具有更强的表达不确定信息的能力。在此基础上,开发了一种广义Dempster组合规则。与经典的Dempster合成规则相比,广义的Dempster合成规则取消了证据间冲突系数K<1的条件。因此,它比经典的Dempster组合规则更具有一般性和适用性。当复质量函数从复数退化为实数时,在证据间冲突系数K小于1的条件下,广义Dempster合成规则退化为经典证据理论。总之,这种推广的Dempster-Shafer证据理论为建模和处理更多的不确定信息提供了一种很有前途的方法。
2019-06-27 cs.AI
Revising Incompletely Specified Convex Probabilistic Belief Bases
Centre for Artificial Intelligence Research(人工智能研究中心);CAIR(人工智能研究中心);University of KwaZulu-Natal(夸祖鲁-纳塔尔大学);CSIR Meraka(南非科学与工业研究理事会梅拉卡研究所);University of Cape Town(开普敦大学);University of Luxembourg(卢森堡大学)
我们提出了一种方法,当观察到一个新的命题信息时,代理修改其不完整的概率信念。在这项工作中,代理人的信念是由一组概率公式-信念基础。该方法包括确定一组代表性的“边界”概率分布与当前的信念基础一致,修改这些概率分布中的每一个,然后将修改后的信息转换成一个新的信念基础。我们使用一种版本的Lewis Imaging作为翻修手术。证明了该方法的正确性。所考虑的信念基础的表达能力是相当有限的,但有一些应用。我们还讨论了采用最佳熵的概念的信念基础的修订方法,并指出这些方法的一些好处和困难。边界分布法和最优熵法都是合理的,但得到的结果不同。
2016-04-07 cs.AI
Updating with Belief Functions, Ordinal Conditioning Functions and Possibility Measures
Universite Paul Sabatier(保尔·萨巴蒂埃大学)
本文讨论了当一个新的信息,这可能是弥漫着不确定性,变得可用时,如何更新的不确定性度量表示的知识状态。这个问题被认为是在不同的框架,即:Shafer的证据理论,Zadeh的可能性理论,Spohn的认识状态理论。在前两种情况下,类似的杰弗里的规则的条件介绍和讨论。强调了Spohn模型与可能性理论的关系,并将Spohn更新规则与可能性理论中的Jeffrey类条件作用规则进行了对比。最近的结果Shenoy组合的顺序条件函数重新解释的语言的可能性理论。它表明,谢诺伊的组合规则有一个众所周知的可能性对应。
2013-03-27 cs.AI
Conflict management in information fusion with belief functions
IRISA, University of Rennes 1(雷恩第一大学IRISA)
在信息融合中,冲突是一个重要的概念。事实上,将几个不完美的专家或消息来源结合在一起会导致冲突。在信度函数理论中,这个概念已经讨论了很多。在合取组合规则中出现在空集上的质量通常被认为是冲突,但这不是真正的冲突。已经提出了一些冲突的措施,并提出了一些方法,以管理这种冲突或决定与冲突的群众职能。在本章中,我们回顾了其中的一些,并提出了一个讨论,以考虑信息融合与信念函数理论的冲突。
2017-09-13 cs.AI
Experiments Using Belief Functions and Weights of Evidence incorporating Statistical Data and Expert Opinions
University of Guelph(圭尔夫大学)
本文提出了一些想法和结果,使用不确定性管理方法在数据的存在,优先于其他统计和机器学习方法。一个医疗领域被用作一个测试平台,其数据来自一个大型医院数据库系统,该系统收集有关患者的症状和结果信息。数据经常缺失,涉及许多变量类型,特定结果的样本量不大。不确定性管理方法对于这些领域是有用的,并且具有允许专家修改最初从数据获得的置信值的附加优点。使用置信函数的统计数据的方法考虑处理的一些细节。专家意见被纳入项目开发的各个层面,并报告了肝病诊断应用的结果。最近的结果对比使用的证据权重和逻辑回归在另一个医疗领域。
2013-03-27 cs.AI
Practical Uses of Belief Functions
IRIDIA Universite Libre de Bruxelles(布鲁塞尔自由大学IRIDIA研究所)
我们提出的例子中,使用的信念功能提供了健全和优雅的解决方案,现实生活中的问题。这些的本质特征是?失踪的信息。这些例子涉及:1)使用学习集的判别分析,其中类仅部分已知; 2)处理文档间关系的信息检索系统; 3)来自部分重叠帧上的传感器的数据的组合; 4)通过研究传感器间的矛盾来确定多传感器环境中的源的数量。该文件的目的是报告等应用程序中使用的信念函数提供了一个方便的工具来处理?混乱的数据问题。
2013-01-23 cs.AI
Consid{é}rant la d{é}pendance dans la th{é}orie des fonctions de croyance
IRISA, Université de Rennes1(雷恩第一大学 IRISA研究所);ISG Tunis(突尼斯高等管理学院);IHEC Carthage(迦太基高等商业学院)
在本文中,我们提出了学习源的独立性,以选择适当类型的组合规则时,聚集他们的信念。一些组合规则与他们的源独立性的假设,而其他人结合依赖源的信念。因此,组合规则的选择取决于组合中涉及的源的独立性。在本文中,我们还提出了一个独立性,积极和消极的依赖措施,以集成在质量函数之前,与独立性假设。
2015-01-20 cs.AI
Belief Merging by Source Reliability Assessment
Sapienza University of Rome(罗马大学)
合并信念需要合并信息源的可验证性。他们通常被认为是同样可靠的,在缺乏提示表明,否则;然而,最近的一系列研究从修订过程本身得出这一信息的想法。特别是,以前的修订历史和以前的合并示例为执行后续合并提供了信息。然而,可能没有实例或以前的修订版本。尽管明显缺乏信息,但仍然可以通过尝试和检查方法推断出一些东西:假设相对可靠性排序,基于它执行合并过程,并将结果与原始信息进行比较。这种检查的结果可能与最初的假设不一致,就像一个完全可靠的来源被拒绝了它提供的一些信息。在这种情况下,首先假设的可靠性排序可以从考虑中排除。本文的第一个定理证明了这种情况确实是可能的。在不同的可靠性定义和合并定义下,得到了其它结果。
2016-05-07 cs.AI
Belief Evolution Network-based Probability Transformation and Fusion
University of Electronic Science and Technology of China(电子科技大学);Shannxi Normal University(陕西师范大学);Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学);ETH Zurich(苏黎世联邦理工学院)
Smets提出了Pignistic概率转换(PPT)作为可转移信念模型(TBM)中的决策层,该模型认为当没有更多信息时,我们必须使用概率质量函数(PMF)做出决策。通过在层次假设空间中引入因果关系,提出了信念进化网络和完全因果函数。基于BEN,我们解释的PPT从信息融合的观点,并提出了一种新的概率转换(PT)方法称为全因果概率转换(FCPT),它具有更好的性能下双准则评估。此外,我们还提出了一种新的基于FCPT的概率融合方法。与Dempster合并规则(DRC)相比,该方法在融合相同证据时具有更合理的结果。
2022-07-17 cs.AI
Evidence Propagation and Consensus Formation in Noisy Environments
University of Bristol(布里斯托尔大学);Otto von Guericke University Magdeburg(奥托·冯·格里克大学马格德堡分校)
我们研究了多智能体系统中的共识形成的有效性,其中既有基于直接证据的信念更新,也有智能体之间的信念组合。特别是,我们考虑的情况下,人口的代理合作的最好的n的问题,其目的是达成共识,这是最好的(或者,真正的)状态之间的一组状态,每个具有不同的质量值(或证据水平)。代理人的信念表示在Dempster-Shafer理论的质量函数,我们调查的宏观层面的属性四个著名的信念组合运营商的多智能体共识形成问题:Dempster的规则,Yager的规则,Dubois和普拉德的运营商和平均运营商。考虑了算子的收敛性,并针对不同的证据率和噪声水平进行了仿真实验。结果表明,直接证据的更新和信念的组合代理之间的结果更好的共识,以最佳状态比单独的证据更新。我们还发现,在这个框架中的运营商是强大的噪音。广泛地说,Yager的规则被证明是更好的运营商在各种参数值,即收敛到最佳状态,鲁棒性噪声,和可扩展性。
2020-01-20 cs.AI cs.MA
Information Fusion on Belief Networks
Wentworth Institute of Technology(温特沃斯理工学院);University of Calgary(卡尔加里大学)
本文将集中在“融合”的过程中的几个观测或模型的不确定性到一个单一的合成模型。许多现有的融合方法使用主观量,如“信念强度”和处理这些量与启发式算法。本文主张支持可以客观衡量的数量,而不是主观的“信念强度”值。本文将重点讨论概率分布,更重要的是,表示概率分布集的结构,称为“可信集”。本文的新颖之处将是融合模型的分类,使用特定类型的credal集,即概率区间分布和Dempster-Shafer模型。这为信息融合算法提出了客观要求,本文提出的各种融合模型均能满足这一要求。Dempster的组合规则不满足这一要求。本文还将评估所提出的融合方法所涉及的计算挑战。
2020-07-25 cs.AI
Uncertainty measurement with belief entropy on interference effect in Quantum-Like Bayesian Networks
Northwestern Polytechnical University(西北工业大学);China Equipment System Engineering Company(中国装备系统工程公司)
社会困境一直被认为是进化博弈论的精髓,其中囚徒困境博弈是对合作问题最著名的隐喻。最近的研究发现,人们的行为违反了这类游戏中的“确定性原则”。经典的概率方法很难解释人们行为的潜在机制。本文提出了一种新的类量子贝叶斯网络来适应这一悖论现象。这种特殊的网络可以考虑干扰,这可能是一种有效的方式来描述底层机制。在此基础上,引入了信度熵,即邓熵,并提出了信度距离的概念。通过实证数据的检验,证明了该模型的预测性和有效性。
2017-09-08 cs.AI math.PR
A Linear Belief Function Approach to Portfolio Evaluation
University of Kansas(堪萨斯大学);University of Akron(阿克伦大学)
通过详细阐述线性信念函数的概念(Dempster 1990; Liu 1996),我们提出了一种使用线性信念函数的专家系统的知识表示的基本方法。我们展示了如何使用基本矩阵来表示市场信息和金融知识,包括完全无知,统计观察,主观猜测,分布假设,线性关系和经验资产定价模型。然后,我们呼吁邓普斯特的规则的组合,以整合的知识,评估投资组合的表现的整体信念,并更新的信念,将额外的信息。我们用三只黄金股票的例子来说明这种方法。
2012-10-19 cs.AI q-fin.ST
Assessing the value of a candidate. Comparing belief function and possibility theories
Institut de Recherche Thomson-CSF(汤姆逊-CSF研究所);Corporate Research en Informatique de Toulouse(图卢兹企业信息研究);Universite Paul Sabatier(保罗·萨巴蒂埃大学);Laboratory Universite Paul Sabatier(保罗·萨巴蒂埃大学实验室)
评估候选人价值的问题在这里被视为一个多重组合问题。一方面,候选人可以根据不同的标准进行评估,另一方面,几位专家应该根据每个标准评估候选人的价值。标准不同等重要,专家不同等胜任或可靠。此外,标准的满意度水平或置信度水平仅假定在线性排序的定性尺度中取值。在两个框架内,可转移的信念模型和定性可能性理论的问题进行了讨论。它们分别为处理问题提供了定量和定性的背景,从而提供了一种比较基本假设性质的方法。
2013-01-23 cs.AI
Deriving a Minimal I-map of a Belief Network Relative to a Target Ordering of its Nodes
University of Southern California(南加州大学)
本文提出并解决了一个新的优化问题:给定一个信念网络(BN)及其变量的目标排序,如何有效地导出其弧与目标排序一致的最小I-map?我们提出了这个问题的三种解决方案,所有这些都导致基于原始BN的递归基相对于指定的排序的有向无环图(这样的DAG有时被称为从给定BN相对于所述排序绘制的边界DAG [5])。一路上,我们还发现了关于弧反转的一个重要的一般原则:当根据某些目标排序对BN进行重新排序时(同时尝试最小化生成的弧的数量),弧反转的序列应该遵循由原始信念引起的拓扑排序网络的弧尽可能大的程度。这些结果有望对共识模型的推导以及其他需要重新配置和/或组合BN的算法产生重大影响。
2013-03-06 cs.AI
Sensor Validation Using Dynamic Belief Networks
Oxford University(牛津大学)
使用光束传感器数据在受限的动态环境中监测机器人的轨迹。我们有一个动态信念网络(DBN),基于域的离散模型,它提供了类似于传统的定量过滤技术的离散监测。传感器观察以特定证据的形式添加到基本DBN中。然而,传感器数据通常部分或完全不正确。我们展示了如何基本的DBN,推断只有一个不可能的证据组合,可能会被修改,以处理特定类型的不正确的数据,可能会发生在域中。然后,我们提出了一个扩展的DBN,增加了一个无效的节点,该模型的传感器工作或有缺陷的状态。此节点提供了不一致数据的定性解释:它是由有缺陷的传感器引起的。失效节点的连续实例的连接对传感器随时间的状态进行建模,从而允许DBN处理持续性和间歇性故障。
2013-03-13 cs.AI
Approximations in Bayesian Belief Universe for Knowledge Based Systems
Aalborg University(奥尔堡大学)
当基于因果概率网络的专家系统达到一定的规模和复杂度时,往往会出现“组合爆炸怪物”。我们提出了一个近似方案,确定很少发生的情况下,并排除这些被处理为普通情况下,在基于CPN的专家系统。根据CPN的拓扑结构和概率分布,底层数值表示中的数字(表示状态组合的概率)可以变得非常小。通过数据结构化技术消除这些数字并利用由此产生的稀疏性通常会导致计算机资源消耗的几个数量级的改善。建立了通过近似引入到基于CPN的专家系统中的误差的界。最后,报告的实证研究应用的近似计划,以现实世界的CPN。
2013-03-27 cs.AI
Adaptative combination rule and proportional conflict redistribution rule for information fusion
本文提出了两个新的有前途的组合规则的不确定性和潜在的高度冲突的证据源的融合的信念函数理论的框架内,以减轻众所周知的局限性Dempster的规则和工作超出了Dempster-Shafer理论的适用范围。我们提出了一类新的自适应组合规则(ACR)和一个新的高效的比例冲突重新分配(PCR)规则,允许处理高度冲突的静态和动态融合应用程序的源。
2006-04-11 cs.AI
Exploiting Vagueness for Multi-Agent Consensus
University of Bristol(布里斯托大学)
共识建模的框架介绍了使用Kleene的三值逻辑作为一种手段来表达代理人的信念的一致性。显式边界格是涉及模糊概念的命题所固有的,其中命题语言的句子可能是绝对真的,绝对假的或边界的。通过利用这些中间真值,我们可以允许代理人对底层概念采取更模糊的解释,以削弱他们的信念并减少不一致的程度,从而达成共识。我们认为,一个共识的组合操作,其结果是在代理采用的边缘真理值作为一个共同的观点,如果他们是在直接冲突。模拟实验表明,应用该算子从人口中随机选择的代理(一致性阈值),最初不同的意见,结果收敛到一个更小的一组更精确的共享信念。此外,如果选择的代理组合是依赖于他们的信念的回报,这作为一个代理的性能或有用性,然后系统收敛到信念,平均而言,有较高的回报。
2016-09-20 cs.AI cs.MA
A Combination of Cutset Conditioning with Clique-Tree Propagation in the Pathfinder System
Stanford University(斯坦福大学)
割集条件化和二叉树传播是贝叶斯信念网络中两种常用的精确概率推理方法。割集条件是基于网络节点子集的分解,而割树传播依赖于节点的聚集。我们描述了一种手段,结合割集条件和团树传播的方法称为聚合后分解(AD)。我们讨论了AD方法在Pathfinder系统中的应用,Pathfinder系统是一个医学专家系统,可为血液病理学诊断提供帮助。
2013-03-27 cs.AI
Using the Dempster-Shafer Scheme in a Diagnostic Expert System Shell
University of South Carolina(南卡罗来纳大学)
本文讨论了一个集成基于规则推理和Dempster-Shafer证据合成方案的专家系统外壳。领域知识被存储为具有关联的置信函数的规则。推理组件使用前向和后向推理机制的组合,以允许以混合主动格式与用户交互。
2013-03-27 cs.AI
Evidential Information Fusion on Possibilistic Structure
School of Electronics and Information, Northwestern Polytechnical University(电子信息学院,西北工业大学);Department of Electrical and Computer Engineering, University of Alberta(阿尔伯塔大学电气与计算机工程系);China Mobile Information Technology Center(中国移动信息科技中心);Systems Research Institute, Polish Academy of Sciences(波兰科学院系统研究所);Institute of Fundamental and Frontier Science, University of Electronic Science and Technology of China(中国电子科技大学基础与前沿科学研究院)
本文提出了一种基于可能性结构的证据信息融合方法,通过引入信任演化网络和三角范数家族,实现了更灵活的信息融合框架,适用于非distinct源融合、冲突管理等复杂场景。
2026-05-16 cs.AI
Evidence combination for a large number of sources
Northwestern Polytechnical University(西北工业大学);DRUID, IRISA, University of Rennes 1(雷恩第一大学)
信度函数理论是处理多重不确定信息的有效工具。近年来,在该框架下提出了许多证据组合规则,如合取规则、谨慎规则、PCR(Proportional Conflict Redistribution)规则等,这些规则可适用于不同类型的信息源。然而,这些规则中的大多数在源的数量很大时不适用。这是由于复杂性或吸收元素的存在(例如,当应用于不可靠的证据时,基于合取的规则的总冲突质量函数)。本文在假设大多数信源是可靠的基础上,基于一个简单的思想:信源之间共享的共同思想越多,信源就越可靠,提出了一个适用于大量信源的组合规则LNS(Large Number of Sources)。该规则适用于聚集大量的源,其中一些是不可靠的。它将保持合取规则的精神,以加强对来源一致的焦点元素的信念。空集上的质量将被保留作为冲突的指示器。此外,它还可以用来在专家之间征求主要意见。综合质量函数的实验结果表明,该规则可以有效地用于组合大量的质量函数,并得出主要意见。
2017-07-25 cs.AI
The Assumptions Behind Dempster's Rule
Queen Mary and Westfield College(玛丽女王和韦斯特菲尔德学院)
本文探讨了信念函数的组合规则的概念。结果表明,两个相当简单,显然是合理的假设确定Dempster的规则,给它一个新的理由。
2013-03-06 cs.AI
Decentralized Multi-agent Filtering
University of California, Davis(加州大学戴维斯分校)
本文讨论了在离散状态空间中采用分散式通信进行多智能体本地化应用的考虑因素。在这个框架中,我们扩展了贝叶斯滤波器,离散状态估计的基础概率工具的原始配方,通过附加一个贪婪的信念共享的一个步骤,作为一种方法来传播信息和改善局部估计的后验。我们应用我们的工作在一个基于模型的多代理网格世界的设置,每个代理保持一个信念分布的每个代理的状态。我们的研究结果肯定了我们提出的分散协作任务的扩展的实用性。在下面的代码库中可以找到这项工作的代码库
2023-01-21 cs.AI cs.MA
A Model of Multi-Agent Consensus for Vague and Uncertain Beliefs
University of Bristol(布里斯托大学)
研究了多智能体系统中智能体信念模糊和不确定的一致性形成问题。模糊由第三真值状态表示,其含义为\emph{borderline}。这与不确定性的概率模型相结合。然后,提出了一种信念组合算子,它利用边界真值,使代理与冲突的信念,以达成妥协。进行了一些模拟实验中,代理应用该操作员在成对的相互作用,有界的置信度限制下,两个代理的信念必须是足够一致的,才能达成协议。以及孤立地研究的共识运营商,我们也调查的情况下,代理人直接或间接地影响世界的状态。对于前者,我们进行模拟相结合的共识形成与信念更新的证据。对于后者,我们调查的影响,假设代理人的信念越接近真相,他们在共识建设过程中越明显。在所有情况下,应用共识算子会导致种群收敛到一个既清晰又确定的共享信念。此外,将共识形成与证据更新相结合的模拟更快地收敛到一个更接近世界实际状态的共同观点,而不是那些只因为直接接收新证据而改变信念的模拟。最后,如果智能体的相互作用是由信仰质量的相似性来衡量的真实世界的状态,然后单独应用的共识运营商的结果在人口收敛到一个高质量的共享信念。
2018-01-12 cs.AI cs.MA
A maximum entropy model of bounded rational decision-making with prior beliefs and market feedback
Centre for Complex Systems, The University of Sydney(悉尼大学复杂系统中心);Securities Industry Research Centre of Asia-Pacific(亚太证券业研究中心);CoreLogic, Inc.(CoreLogic公司)
有限理性是一个重要的考虑因素,因为智能体的处理能力往往有限,使得完美理性的假设不适用于许多实际任务。我们提出了一个信息理论的方法来推断代理决策史密斯竞争。该模型明确地捕捉代理的有界性(有限的信息处理能力)作为信息获取的成本,以扩大他们的先验信念。扩展被测量为后验决策和先验信念之间的Kullblack-Leibler分歧。当信息获取是免费的,经济人代理恢复,而在情况下,当信息获取变得昂贵,代理,而不是恢复到他们以前的信念。最大熵原理是用来推断最少偏置的决定的基础上正式的量子响应统计均衡框架内的史密斯竞争的概念。将先前的信念纳入这样一个框架,使我们能够系统地探讨在市场反馈的存在下,先前的信念对决策的影响,以及重要的是增加了一个时间解释的框架。我们使用澳大利亚住房市场数据验证了所提出的模型,显示了先验知识的引入如何改变所产生的代理决策。具体来说,它允许分离过去的信念和效用最大化行为的代理,以及分析到代理信念的演变。
2021-05-23 cs.AI cs.IT econ.TH
Quantum dynamical mode (QDM): A possible extension of belief function
Southwest University(西南大学)
证据理论由于其在不需要先验信息的情况下对不确定性建模的灵活性和有效性,在各个领域得到了广泛的应用。此外,量子理论在解决决策问题,特别是在模拟人类决策和认知方面具有强大的能力。然而,以实数为模型的经典Dempster-Shafer证据理论不能直接与以复数为模型的量子理论相结合。那么,如何在经典证据理论和量子理论之间建立一座沟通的桥梁呢?为了回答这个问题,本文提出了一种推广的Dempster-Shafer证据理论。在这项研究中的主要贡献是,不同于现有的证据理论,在广义Dempster-Shafer证据理论中的质量函数是由一个复数建模,称为复杂的质量函数。此外,与经典的Dempster合成规则相比,广义Dempster合成规则取消了两个证据之间冲突系数K < 1的条件,因而比经典Dempster合成规则更具有一般性和适用性。当复质量函数从复数退化为实数时,在证据间冲突系数K小于1的条件下,广义Dempster合成规则退化为经典证据理论。数值例子说明了广义Dempster-Shafer证据理论的有效性。最后,将广义Dempster-Shafer证据理论与量子动力学模型相结合,实现了证据量子动力学模型的应用。实验结果验证了该方法的可行性和有效性。
2018-04-29 cs.AI cs.IT math.IT
Discriminated Belief Propagation
好的差错控制码的近最佳解码通常是一项困难的任务。然而,对于某种类型的(足够)好的代码,存在具有接近最佳性能的有效解码算法。这些代码通过具有低复杂度网格表示的组成代码的组合来定义。他们的解码算法是(循环)信念传播的一个实例,并且基于组成信念的迭代转移。由此,置信度由在组成网格中计算的符号概率给出。即使采用了接近最佳性能的弱组成码,即,编码器/解码器对(几乎)达到信息理论容量。然而,(loopy)的信念传播只执行一个相当特定的代码集,这限制了它的适用性。在本文中,迭代译码的推广。建议传递更多的值,而不仅仅是组成信念。这是通过独立调查代码空间的部分获得的信念的转移来实现的。这导致了鉴别器的概念,其用于在某些区域内提高解码器分辨率并定义鉴别符号信念。结果表明,这些信念近似的整体符号概率。这导致迭代规则(低于信道容量)通常仅允许整体解码问题的解。通过高斯近似,该算法的低复杂度的版本。此外,该方法然后可以应用于宽范围的信道映射,而没有显著的复杂性增加。
2007-10-29 cs.AI cs.IT math.IT
Design of a Framework to Facilitate Decisions Using Information Fusion
Military Technical College(军事技术学院);Arab Academy for Information Systems(阿拉伯信息系统学院);Azhar University(爱资哈尔大学)
信息融合是一个先进的研究领域,可以帮助决策者提高他们的决策。本文旨在设计一个新的多层框架,可以支持执行决策的过程中获得的信念,使用信息融合。由于跨越某些假设和决策的计算信念之间的差距不是一件容易的任务,因此所提出的框架由以下层组成,以便提供合适的架构(有序的自底向上的):1.使用信息融合方法组合基本信念分配的层。这种方法利用Dezert-Smarandache理论,DSmT和比例冲突再分配来提供更现实的最终信念。2.一个层,用于从相应的最终信念计算底层命题的pignistic概率。3.使用贝叶斯网络执行概率推理的层,该层可以从命题的pignistic概率中获得命题的可能原因。4.对系统决策进行排序最终用于支持决策制定。为了验证这一概念,在不同的运行条件下进行了案例研究,并指出:1。使用DSmT的信息融合不仅产生更现实的信念,但也可靠的pignistic概率的基本命题。2.利用pignistic概率将信息融合与贝叶斯网络集成提供了概率推理,并使得能够基于用于底层命题的基于信念的概率和用于相应原因的基于贝叶斯的概率两者来进行决策。相对于其他信息融合系统的比较研究所提出的框架证实了其优越性,以支持决策。
2015-02-21 cs.AI
Considerations on Construction Ontologies
West University(西大学)
本文通过对现有本体的分析,指出了解决信息系统中语义异构的途径。作者强调了知识获取系统中的任务,并确定了与向智能系统添加新信息有关的方面。提出了一种本体推理服务与自然语言生成相结合的解决方案。一个多智能体系统将设想与提取代理,推理代理和能力管理代理。
2009-05-28 cs.AI
FNBT: Full Negation Belief Transformation for Open-World Information Fusion Based on Dempster-Shafer Theory of Evidence
针对异构框架下传统融合方法效果不佳的问题,提出基于 Dempster-Shafer 理论的开放世界信息融合方法 FNBT,通过扩展框架和全否定机制转换 mass 函数,在理论与实际数据中均验证了其有效性与优越性。
2025-08-11 cs.AI
Multi-sensor data fusion based on a generalised belief divergence measure
Southwest University(西南大学)
多传感器数据融合技术在实际应用中发挥着重要作用。由于证据理论在建模和处理不确定信息时不考虑先验概率的灵活性和有效性,因此在信息融合的各个领域得到了广泛的应用。然而,当融合高度冲突的证据时,可能会出现违反直觉的结果。为了解决这一问题,提出了一种基于广义信度测度的多传感器数据融合方法。该方法首先综合考虑证据的充分性和重要性,确定证据的可靠性权重;在此基础上,根据证据的可信度权重,设计了一种新的广义置信度Jensen-Shannon散度(GBJS)来度量多个证据之间的差异和冲突程度,并利用GBJS来度量证据的支持度。然后,在使用Dempster合成规则之前,先用证据的支持度对证据体进行调整。最后通过故障诊断实例验证了该方法的有效性。
2018-06-05 cs.AI cs.IT math.IT
Network Fragments: Representing Knowledge for Constructing Probabilistic Models
Information Extraction and Transport, Inc.(信息提取与传输公司);George Mason University(乔治梅森大学)
在大多数当前的信度网络应用中,领域知识由适用于领域中所有问题实例的单个信度网络表示。在更复杂的领域中,特定问题的模型必须从编码域中的概率关系的知识库中构建。基于知识的模型构建大多以规则作为知识的基本单位。我们提出了一个知识表示框架,允许知识库设计师指定知识在更大的语义有意义的单位,我们称之为网络片段。我们的框架提供了不对称的独立性和典型的因果间的相互作用表示。我们讨论了网络片段的组合,以形成特定问题的模型来推理特定的问题实例。该框架说明了从军事态势感知领域的例子。
2013-02-06 cs.AI
People will agree what I think: Investigating LLM's False Consensus Effect
Chung-Ang University(中央大学)
本文通过两项研究考察大语言模型中的虚假共识效应,发现流行LLMs普遍存在该认知偏差,并揭示了不同提示风格下FCE增强或减弱的具体条件。
2025-02-08 cs.AI cs.CL cs.HC
Some considerations on how the human brain must be arranged in order to make its replication in a thinking machine possible
在我生命的大部分时间里,我都是一名计算机视觉专业人员,忙于处理图像处理任务和问题。在计算机视觉界,人们普遍认为人工视觉系统忠实地复制了人类的视觉能力,或者至少非常接近地模仿了人类的视觉能力。当有一天我意识到计算机和人类视觉几乎没有任何共同之处时,我感到非常惊讶。前者忙于大量的数据处理,进行大量的基于像素的计算,而后者则忙于有意义的信息处理,涉及基于智能对象的操作。两者之间的差距是不可逾越的。为了解决这个困惑,我不得不首先返回并重新评估视觉现象本身,更仔细地定义什么是视觉信息以及如何正确对待它。在这部作品中,我并没有像人们通常认为的那样,受到生物学的启发。相反,我的灵感来自于一个纯数学理论,即柯尔莫哥洛夫的复杂性理论。我的研究成果已经在其他地方发表了。因此,本文的目的是尝试将我在这项事业中获得的见解应用于人脑信息处理的更一般情况和人类智能的挑战性问题。
2010-02-01 cs.AI q-bio.NC
Belief-Rule-Based Expert Systems for Evaluation of E- Government: A Case Study
University of Chittagong(吉大港大学);Aalborg University(奥尔堡大学)
对电子政务项目在许多具体使用领域的影响和结果知之甚少。因此,有必要对电子政务系统的效率和效果进行评估。由于电子政务的发展是一个不断改进的过程,因此需要不断评价整个电子政务系统以及评价其各个方面,如决定因素、特点和结果。电子政务的发展往往是复杂的,涉及多个利益攸关方、庞大的用户基础和复杂的目标。因此,即使是专家也难以评价这些系统,特别是以综合和全面的方式以及在总体上评价这些系统。专家系统是一个候选的解决方案,以评估这种复杂的电子政务系统。然而,专家系统很难处理不确定的评估数据,这些数据是模糊的,不一致的,高度主观的或以其他方式具有挑战性的形式化。本文提出了一种处理电子政务评估中不确定性问题的方法:信度规则库(BRB)知识表示和证据推理(ES)相结合的方法。这种方法说明了一个具体的原型,被称为基于信念规则的专家系统(BRBES),并投入使用在孟加拉国的地方电子政务。结果已与最近开发的电子政务评估方法进行了比较,它表明,BRBES的结果更准确和可靠。BRBES可用于确定需要改进的因素,以实现电子政务项目的总体目标。此外,还可以生成各种“假设”场景,开发人员和管理人员可以预测结果。通过这种方式,该系统可以用于促进不确定性下的决策过程。
2015-03-09 cs.AI cs.CY
Exactness of Belief Propagation for Some Graphical Models with Loops
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
众所周知,定义在树上的统计推断的任意图形模型,即在没有回路的图上,通过迭代置信传播(BP)算法收敛到所谓的Bethe自由能泛函的唯一最小值来精确和有效地求解。对于循环图上的一般图形模型,泛函可能显示多个最小值,迭代BP算法可能收敛到其中一个最小值或可能根本不收敛,并且Bethe自由能泛函的全局最小值不能保证对应于零温度极限中的最优Maximum-Likestive(ML)解。然而,这个一般规则也有例外,在\cite{05KW}和\cite{08BSS}中在两个不同的上下文中讨论,其中BP算法的零温度版本为具有循环的图上的特殊模型找到ML解决方案。这两个模型共享一个关键功能:它们的ML解决方案可以通过具有全Uni模块(TUM)约束矩阵的有效线性规划(LP)算法来找到。推广这两个模型,我们考虑一类图形模型可减少在零温度限制LP与TUM约束。假设一个gedanken算法,g-BP,资金的Bethe自由能的全球最小值是可用的,我们表明,在零温度的限制g-BP输出ML解决方案。我们的考虑是基于在$T\to 0$极限中的图形模型的无间隙线性规划(LP)松弛与Bethe-Free能量最小化的相应LP版本之间建立的等效性。
2008-09-02 cond-mat.other cond-mat.stat-mech cs.AI