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
An Algorithm for Quasi-Associative and Quasi-Markovian Rules of Combination in Information Fusion
本文提出了一种简单的算法，融合规则，这些规则，首先使用合取规则，然后转移的冲突质量的非空集，在这样的方式，他们获得的性质的结合性和满足马尔可夫要求的动态融合。此外，一个新的规则，SDL的改进。
2004-08-14 cs.AI
Extension of Inagaki General Weighted Operators and A New Fusion Rule Class of Proportional Redistribution of Intersection Masses
University of New Mexico, Gallup（新墨西哥大学盖洛普分校）
在本文中，我们扩展Inagaki加权算子融合规则（WO）的信息融合做重新分配，不仅冲突的质量，但也非空的交集的质量，我们称之为双加权算子（DWO）。然后提出了一种新的融合规则类--交叉口质量比例再分布（CPRIM），它产生了许多信息融合中有趣的特殊融合规则。这两个公式都是针对任何数量的信息来源提出的。最后给出了应用实例，并与其他融合规则进行了比较.
2008-10-04 cs.AI
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
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
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
DSmT: A new paradigm shift for information fusion
不确定的，不精确的，模糊的，甚至矛盾的或高度冲突的信息源的管理和组合一直是，仍然是可靠的信息融合系统的发展的首要重要性。在这篇简短的调查论文中，我们提出了合理和矛盾推理的理论，在文献中被称为DSmT（Dezert-Smarandache理论），用于处理不精确，不确定和潜在的高度冲突的信息来源。DSmT是信息融合的一种新的范式转变，最近的出版物已经显示出DSmT的兴趣和潜在的能力，以解决融合问题，其中Dempster的规则中使用的Dempster-Shafer理论（DST）提供反直观的结果或未能提供有用的结果在所有。本文重点介绍了DSmT的基础及其主要的组合规则（经典，混合和比例冲突再分配规则）。Shafer模型是DSmT的一个特例，DSmT也可以很容易地处理它。本文给出了几个简单但说明性的例子，以显示这个新理论的兴趣和一般性。
2006-10-31 cs.AI
PAANI : On Device Visual Evidence Fusion and Explainable Guidance for River Robot Simulation
ACL Digital, Pune（ACL数字，浦那）；Multiverse Computing, Spain（Multiverse Computing，西班牙）；PSG College of Technology, Coimbatore, India（PSG技术学院，哥印拜陀，印度）
PAANI提出一种设备端视觉证据融合架构，结合YOLO11n检测器与MobileNetV3 Small分割器，在Arduino UNO Q上实现可解释的河流机器人引导，实验验证了模型精度与延迟性能。
2026-09-22 cs.AI
An In-Depth Look at Information Fusion Rules & the Unification of Fusion Theories
本文看起来像是融合规则的词汇表，我们还介绍了新的融合规则，并给出了它们的公式和示例：合取、析取、排他析取、混合合取-析取规则、条件规则、Dempster's、Yager's、Smets' TBM规则、Dubois-Prade's、Dezert-Smarandache经典和混合规则、Murphy's平均规则、Inagaki-Lefevre-Colot-Vannoorenberghe统一组合规则[以及，作为特例：Iganaki的参数化规则，加权平均算子，minC（M. Daniel），以及新的比例冲突重分配规则（Smarandache-Dezert），其中PCR 5是按照合取规则的路径将冲突质量重分配到非空集的最精确方式]，Zhang的中心组合规则，卷积x平均，一致性算子（Josang），谨慎规则（Smets），？- Junctions规则（Smets）等，以及三种新的T-范数和T-连通规则（Tchamova-Smarandache）。引入集合基数的并度和包含度，除了交集的并度和包含度外，还可以改进许多融合规则。在一些极端情况下，每个规则都可能难以工作，或者可能无法获得预期的结果。
2004-10-27 cs.AI
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
Information Fusion in the Immune System
School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院）
生物启发的方法，如进化算法和神经网络被证明是有用的信息融合领域。人工免疫系统（AIS）是一种生物启发的方法，它从生物免疫系统中获得灵感。有趣的是，最近的研究表明，如何使用多层次的信息源作为输入数据的AIS可以用来建立有效的算法，实时的计算机入侵检测。这项研究是基于人类免疫系统所使用的生物信息融合机制，因此可能会感兴趣的信息融合社区。本文的目的是提出一个总结的一些生物信息融合机制中看到的人类免疫系统，以及如何这些机制已实施的人工免疫系统
2010-03-08 cs.AI cs.NE
Dig2DIG: Dig into Diffusion Information Gains for Image Fusion
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）
针对现有扩散图像融合方法无法捕捉模态动态重要性且缺乏理论保障的问题，该研究提出Dig2DIG框架，通过量化不同去噪步骤各模态的扩散信息增益提供动态引导，可证明降低泛化误差上界，在多场景下融合质量与推理效率均优于现有扩散方法。
2025-03-24 cs.AI cs.CV
A review of deep learning-based information fusion techniques for multimodal medical image classification
Inserm（法国国家健康与医学研究院）；University of Western Brittany（西布列塔尼大学）；IMT Atlantique（大西洋电信学院）；Sorbonne University（索邦大学）；Lariboisière Hospital（拉里布瓦西耶尔医院）；AP-HP（巴黎公共医疗集团）；Paris Cité University（巴黎城市大学）；CHRU Brest（布雷斯特大学中心医院）；LaTIM UMR 1101（LaTIM联合研究单位1101）
本文综述了基于深度学习的多模态医学图像分类融合技术，详细分析了输入、中间和输出三种融合方案及其网络架构适用性，并探讨了当前挑战与基于Transformer的未来研究方向。
2024-04-23 cs.AI cs.CV
Improving Multimodal Fusion with Hierarchical Mutual Information Maximization for Multimodal Sentiment Analysis
Singapore University of Technology and Design（新加坡科技设计大学）
在多模态情感分析（MSA）中，模型的性能高度依赖于合成嵌入的质量。这些嵌入是从称为多模态融合的上游过程中生成的，该过程旨在提取和组合输入的单峰原始数据以产生更丰富的多模态表示。以前的工作要么反向传播的任务损失或操纵的特征空间的几何属性，以产生有利的融合结果，这忽略了关键的任务相关的信息，从输入流到融合结果的保存。在这项工作中，我们提出了一个名为MultiModal InfoMax（MMIM）的框架，它分层最大化的互信息（MI）在单峰输入对（模态间）和多模态融合的结果和单峰输入之间，以保持任务相关的信息，通过多模态融合。该框架与主任务（MSA）联合训练，以提高下游MSA任务的性能。为了解决MI边界的棘手问题，我们进一步制定了一套计算简单的参数和非参数的方法来近似其真值。两个广泛使用的数据集上的实验结果证明了我们的方法的有效性。这项工作的实施情况可在https://github.com/declare-lab/Multimodal-Infomax上公开查阅。
2021-09-16 cs.AI cs.CL
Decoupled Side Information Fusion for Sequential Recommendation
HKUST（香港科技大学）；Upstage
序列推荐中的边信息融合旨在有效利用各种边信息来提高下一个项目的预测性能。大多数最先进的方法建立在自我注意网络的基础上，并专注于探索各种解决方案，以整合注意层之前的项目嵌入和边信息嵌入。然而，我们的分析表明，早期集成的各种类型的嵌入限制了注意力矩阵的表现力，由于排名瓶颈和约束梯度的灵活性。同时，它涉及到不同异构信息资源之间的混合相关性，这给注意力计算带来了额外的干扰。基于此，本文提出了一种用于顺序推荐的解耦边信息融合算法（DIF-SR），将边信息从输入端转移到注意力层，简化了各种边信息和项目表示的注意力计算。我们从理论上和经验表明，所提出的解决方案允许更高的秩注意矩阵和灵活的梯度，以提高边信息融合的建模能力。此外，辅助属性预测提出了进一步激活边信息和项目表示学习之间的有益的互动。在四个真实数据集上的大量实验表明，我们提出的解决方案稳定地优于最先进的SR模型。进一步的研究表明，我们提出的解决方案可以很容易地纳入目前的注意力为基础的SR模型，并显着提高性能。我们的源代码可以在https://github.com/AIM-SE/DIF-SR上找到。
2022-04-23 cs.AI cs.IR
Information fusion in multi-task Gaussian processes
Australian Centre for Field Robotics, The University of Sydney（悉尼大学澳大利亚现场机器人中心）
本文评估异构信息融合的背景下，地质资源建模使用多任务高斯过程。具体来说，它经验表明，跨异构信息源的信息集成导致所有被建模的量的优越估计，单独建模它们相比。多任务高斯过程提供了一种强大的方法，同时考虑这些量之间的相关性的同时建模的多个感兴趣的量。在大规模真实传感器数据上进行了实验。
2013-09-05 cs.AI cs.LG stat.ML
Fusion de classifieurs pour la classification d'images sonar
ENSIETA（法国布雷斯特国立高等先进技术学院）；E3I2（E3I2实验室）
在本文中，我们提出了一些高层次的信息融合方法的数字和符号数据。我们研究了这种方法的兴趣，特别是分类器融合。比较研究的背景下，从声纳图像的海床表征。由于资料的复杂性，泥沙分类一直是一个难题.我们比较了高层信息融合并给出了获得的性能。
2012-01-06 cs.AI cs.CV
Multimodal Connectome Fusion via Cross-Attention for Autism Spectrum Disorder Classification Using Graph Learning
Department of Medicine, Danube Private University (DPU)（丹ube私人大学医学系）；Department of Medical Physics and Biomedical Engineering, Medical University of Vienna（维也纳医学大学医学物理与生物医学工程系）；Department of Medical Informatics, Faculty of Medicine, Gonabad University of Medical Sciences（戈纳巴德医学院医学信息学系）；Austrian Center for Medical Innovation and Technology (ACMIT)（奥地利医学创新与技术中心）
本文提出一种多模态图学习框架，通过交叉注意力机制融合功能和结构影像数据，提升自闭症谱系障碍分类的准确率。
2026-03-16 cs.AI cs.CV
A Novel Approach to for Multimodal Emotion Recognition : Multimodal semantic information fusion
School of Computer Science and Communication Engineering（计算机与通信工程学院）；Harbin University of Commerce（哈尔滨商业大学）
针对多模态情感识别中异构数据融合和模态相关性利用的挑战，提出融合对比学习与视觉序列压缩的DeepMSI-MER方法，在IEMOCAP和MELD数据集上显著提升识别准确性与鲁棒性。
2025-02-12 cs.AI cs.CV
Visible and NIR Image Fusion Algorithm Based on Information Complementarity
Beihang University（北京航空航天大学）
本文针对可见光与近红外图像融合中的颜色失真和伪影问题，提出基于物理信号层的互补融合模型，利用权重引导滤波、扩展DoG滤波和arctanI函数构建互补权重图，在保持自然度的同时提升融合质量。
2023-09-19 cs.AI cs.CV
Ensemble Learning for Fusion of Multiview Vision with Occlusion and Missing Information: Framework and Evaluations with Real-World Data and Applications in Driver Hand Activity Recognition
University of California San Diego（加州大学圣地亚哥分校）
针对多视角视觉中遮挡、噪声和传感器失效造成的信息缺失，本文提出含插补方案的多摄像头后期融合学习框架，并在驾驶员手部活动识别中验证其优于单摄像头及其他集成方法。
2023-09-29 cs.AI cs.CV cs.LG
Enhancing Modal Fusion by Alignment and Label Matching for Multimodal Emotion Recognition
School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院）
针对多模态情感识别中模态融合效果不佳的问题，提出含音视频情感对齐、跨模态标签匹配双辅助任务的Foal-Net框架，先对齐再融合，在IEMOCAP上性能超越现有最优方法，验证了融合前对齐的必要性。
2024-08-18 cs.AI cs.CV cs.MM
