Toward a Characterization of Uncertainty Measure for the Dempster-Shafer Theory
这是一篇工作论文，总结了一个正在进行的研究项目的结果，该项目的目的是唯一地表征Dempster-Shafer理论的不确定性度量。给出了一组直观的公理化要求，给出了它们的一些含义，并证明了最近提出的测度AU在满足这些要求的所有测度中是极小的.
2013-02-20 cs.AI
Can Evidence Be Combined in the Dempster-Shafer Theory
Information Sciences Institute（信息科学研究所）
Dempster的组合规则一直是Dempster-Shafer（D-S）理论中最有争议的部分。特别地，Zadeh从D-S理论的一个关系模型中得出了一个关于证据不可组合性的猜想。在本文中，我们将描述另一个关系模型，其中D-S质量表示为条件粒度分布。通过与Zadeh的关系模型的比较，我们将说明Zadeh关于可组合性的猜想如何不影响Dempster规则在我们的模型中的适用性。
2013-03-27 cs.AI
A New Technique for Combining Multiple Classifiers using The Dempster-Shafer Theory of Evidence
提出了一种基于证据理论的分类器组合方法。Dempster-Shafer证据理论是一种有效的证据组合方法。然而，由于每个可用的方法，估计分类器的证据有自己的局限性，我们在这里提出了一个新的实现，适应训练数据，使整体的均方误差最小化。所提出的技术被证明优于最可用的分类器组合方法进行测试时，对三个不同的分类问题。
2011-06-30 cs.AI
The Transferable Belief Model and Other Interpretations of Dempster-Shafer's Model
IRIDIA, Universite Libre de Bruxelles（布鲁塞尔自由大学IRIDIA）
Dempster-Shafer模型的目的是量化的程度的信念，但有这么多的解释Dempster-Shafer的理论在文献中，它似乎是有用的，目前的各种竞争者，以澄清各自的立场。我们将依次考虑古典概率模型、上下概率模型、Dempster模型、可转移信念模型、证据价值模型、可证明性或必要性模型。这些型号均未获得Dempster-Shafer认证。事实上，可转移的信念模型不是我们对登普斯特工作的解释，而是对谢弗在他的书中提出的工作的解释（谢弗1976，斯梅茨1988）。它是一个？Dempster-Shafer模型的“纯化”形式，其中删除了与概率概念的任何联系。任何信念模型都至少有两个组成部分：一个是描述我们信念状态的静态部分，另一个是解释如何在新信息的情况下更新我们信念的动态部分。我们坚持认为，为了研究这些模型，必须考虑这两个组成部分。太多的作者把自己限制在静态部分，并得出结论，Dempster-Shafer理论是相同的一些其他理论。但一旦考虑到动态因素，这些结论就站不住脚了。任何仅基于静态组件的比较都过于受限。动态分量也必须考虑，因为基于信念函数的模型的独创性在于其动态分量。
2013-03-27 cs.AI
A Defect in Dempster-Shafer Theory
Indiana University（印第安纳大学）
通过分析机会、证据权重和置信度之间的关系，指出“概率函数是置信函数的特殊情况”和“Dempster规则可用于组合基于不同证据的置信函数”这两个论断共同导致了Dempster-Shafer理论中的一个不一致性。为了解决这个问题，我们必须拒绝理论的一些基本假设。我们介绍了一种新的方法，不确定性管理，共享许多直观的想法与D-S理论，同时避免这个问题。
2013-02-27 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
On the negation of a Dempster-Shafer belief structure based on maximum uncertainty allocation
Northwestern Polytechnical University（西北工业大学）
概率论和Dempster-Shafer理论是表示和处理不确定信息的两种密切相关的理论。最近的研究提出了一种变换，以获得基于最大熵的概率分布的否定。相应地，确定一个信念结构的否定仍然是Dempster-Shafer理论中的一个悬而未决的问题，这在理论研究和实际应用中都是非常重要的。基于最大不确定性分配，提出了一种信念结构的否定变换，并研究了该变换所满足的几个重要性质。所提出的否定变换更具有一般性，并能与已有的概率分布变换完全兼容。
2019-01-29 cs.AI
Using Dempster-Shafer Theory in Knowledge Representation
在本文中，我们建议结合Dempster-Shafer（DS）理论与知识表示（KR）。从这种婚姻中诞生的是“Dempster-Shafer信念基础”的定义，抽象的数据类型表示不确定的知识，使用DS理论表示对我们的知识的信念强度，以及表示知识本身的任意KR系统的语言结构。一个正式的结果保证了给定的KR系统和DS理论的性质都被保留。一般模型的例子是定义DS信念基础，其中一阶逻辑和（扩展）KRYPTON被用作KR系统。执行问题也被提及。
2013-03-27 cs.AI
Dempster-Shafer vs. Probabilistic Logic
Northrop Research and Technology Center（诺斯罗普研究与技术中心）
比较了Dempster-Shafer理论中的证据组合与概率逻辑中的证据组合。这两种方法是一致的充分条件。然后，它表明，这些条件是最小的意义上说，分歧可能发生时，其中任何一个被删除。一个例子中，传统的假设条件独立的证据假设成立，并假设一个统一的先验，但概率逻辑和Dempster的规则给两个证据事件的组合从根本上不同的结果。
2013-03-27 cs.AI
A case of combination of evidence in the Dempster-Shafer theory inconsistent with evaluation of probabilities
The MITRE Corporation（MITRE公司）
证据积累的Dempster-Shafer理论是组合从多信源获得的数据的主要工具之一。本文考虑了冲突系数不为零的两个证据体组合的一种特殊情况。它示出，在这种情况下，应用的Dempster-Shafer规则的组合导致的组合体的质量的评价，这是不同的评价的相应的概率通过应用的法律的总概率。这一发现支持了这样的观点，即在一般情况下，对Dempster-Shafer分析结果的概率解释是不合适的。
2011-06-30 cs.AI math.PR
Cluster-based Specification Techniques in Dempster-Shafer Theory for an Evidential Intelligence Analysis of MultipleTarget Tracks (Thesis Abstract)
在情报分析中，管理不确定性至关重要。情报数据几乎总是不确定和不完整的，这使得有必要在不确定的情况下进行推理和决策。管理情报分析中的不确定性的一种方法是Dempster-Shafer理论。本论文包含五个关于多目标航迹和智能规格的结果。
2003-05-16 cs.AI cs.NE
African Trypanosomiasis Detection using Dempster-Shafer Theory
Faculty of Science, Universiti Brunei Darussalam（文莱达鲁萨兰大学理学院）
世界卫生组织报告说，非洲锥虫病主要影响生活在非洲偏远农村地区的贫困人口，如果不加以适当治疗，可能致命。本文介绍了检测非洲锥虫的Dempster-Shafer理论。作为一个公共卫生问题，可持续地消除非洲锥虫病是可行的，需要持续努力和创新办法。在本研究中，我们将Dempster-Shafer理论应用于非洲锥虫的检测，并显示检测过程的结果。我们描述了11种主要症状，包括发热、尿红、皮疹、瘫痪、头痛、咬伤周围出血、关节炎、淋巴结肿大、睡眠障碍、脑膜炎和关节炎。Dempster-Shafer理论来量化信念的程度，我们的方法使用Dempster-Shafer理论来组合不确定和无知条件下的信念，并允许在我们的识别结果的信念和可信度的定量测量。
2012-05-03 cs.AI stat.CO
Dempster-Shafer for Anomaly Detection
在本文中，我们实现了一个异常检测系统使用的Dempster-Shafer方法。使用两个标准的基准问题，我们表明，通过结合多个信号，它是可能的，以实现更好的结果比使用一个单一的信号。我们进一步表明，通过将这种方法应用于现实世界的电子邮件数据集的算法工程电子邮件蠕虫检测。Dempster-Shafer方法是解决多特征（数据源）和两个或多个类的异常检测问题的一种很有前途的方法。
2008-03-11 cs.AI cs.CR cs.NE
Penalty logic and its Link with Dempster-Shafer Theory
IRIT - Universite Paul Sabatier（保罗·萨巴蒂埃大学）；CERT-ONERA（法国国家航空航天研究中心）
Pinkas引入的惩罚逻辑将知识库中的每个公式与违反该公式时要付出的代价相关联。在不一致的知识库中，惩罚可以作为选择优选的一致子集的准则，从而导致非单调的推理关系。第一部分给出了罚逻辑及其相关非单调推理关系的精确形式化和主要性质。我们还表明，惩罚逻辑和Dempster-Shafer理论是相关的，特别是在无穷小的情况下。
2013-02-27 cs.AI
Approximations for Decision Making in the Dempster-Shafer Theory of Evidence
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
证据理论中推理的计算复杂性是这种形式主义必须面对的主要批评点之一。为了克服这个困难，已经提出了各种近似算法，其目的在于减少所涉及的置信函数中的焦点元素的数量。除了介绍一种新的算法使用这种方法，本文介绍了一个实证研究，探讨这些近似程序在决策情况下的适当性。它提出了实证研究结果，并讨论了各种权衡，必须考虑到实际应用这些方法之一时。
2013-02-13 cs.AI
A betting interpretation for probabilities and Dempster-Shafer degrees of belief
至少有两种方法可以解释投注中的数字信念程度：（1）你可以按照信念程度定义的赔率下注，或者（2）你可以判断，利用这种投注机会的策略不会使其风险资本乘以一个很大的因子。这两种解释都可以应用于普通的加性概率，并用于证明条件更新。只有第二个可以适用于Dempster-Shafer程度的信念，并用于证明Dempster的规则的组合。
2010-01-11 cs.AI math.ST stat.TH
Dempster-Shafer Theory for Move Prediction in Start Kicking of The Bicycle Kick of Sepak Takraw Game
Universiti Brunei Darussalam（文莱大学）
本文提出了藤球自行车踢腿动作的Dempster-Shafer预测理论。藤球是一种高度复杂的网栏踢运动，涉及令人眼花缭乱的快速反应，杂技扭曲，转弯和敏捷的人体运动转向显示。自行车踢或剪刀踢是一种身体动作，通过将身体抛向空中，用腿进行剪切运动，使一条腿在另一条腿的前面，而不抓住地面。具体而言，本文认为自行车踢的藤球比赛在开始踢球的不确定性，球员有不同的意识，关于突发事件。我们选择Dempster-Shafer理论是因为Dempster-Shafer理论的优点包括能够以灵活的方式对信息进行建模，而不需要为集合中的每个元素分配概率，提供了一种方便简单的机制，可以在某些条件下组合两个或多个证据，它可以明确地对无知进行建模，拒绝相信不相交命题的加性定律。
2014-01-10 cs.AI
Matching Media Contents with User Profiles by means of the Dempster-Shafer Theory
University of Sannio（桑尼奥大学）；Oviedo University（奥维耶多大学）；Sky Italia（意大利天空电视台）
媒体行业越来越个性化地提供内容，以试图更好地瞄准受众。这就需要分析用户和他们喜欢的内容之间建立的关系，一方面关注内容特征，另一方面关注用户简档，以便找到两者之间的最佳匹配。在本文中，我们建议使用Dempster-Shafer的证据理论建立这种关系，提出一个参考模型，并通过一个玩具例子说明其属性。最后，我们提出了可能的应用模型的任务是常见的现代媒体行业。
2017-04-10 cs.AI
On (Anti)Conditional Independence in Dempster-Shafer Theory
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
本文证明了{Shenoy：94}关于信度函数的Dempster-Shafer理论的Shenoy独立性概念的图形结构的一个结果。谢诺伊证明了他的独立性概念对于正态估值具有图形性质。严格的正正规赋值的要求作为应用的先决条件的图形属性排除了一个广泛的DS信念函数类。它特别排除了所谓的概率置信函数。证明了对赋值正性的要求可以被弱化，可以要求公共函数对于单点集为非零，而置信函数变量独立的图形性质则保持不变.这特别意味着以所有单例集为焦点的概率置信函数具有独立的图形属性。
2017-07-13 cs.AI
Independence, Conditionality and Structure of Dempster-Shafer Belief Functions
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
Several approaches of structuring (factorization, decomposition) of Dempster-Shafer joint belief functions from literature are reviewed with special emphasis on their capability to capture independence from the point of view of the claim that belief functions generalize bayes notion of probability. It is demonstrated that Zhu and Lee's {Zhu:93} logical networks and Smets' {Smets:93} directed acyclic graphs are unable to capture statistical dependence/independence of bayesian networks {Pearl:88}. On the other hand, though Shenoy and Shafer's hypergraphs can explicitly represent bayesian network…
2017-07-12 cs.AI
Reliable Force Aggregation Using a Refined Evidence Specification from Dempster-Shafer Clustering
在本文中，我们开发的方法选择的模板，并使用这些模板重新聚类已经进行的Dempster-Shafer聚类考虑到智能模板适合在重新聚类阶段。通过该过程，基于来自第一聚类过程的一些错位证据的错误力聚集的风险大大降低。最后，使用第二聚类的结果执行更可靠的力聚合。这些步骤是为了保持大多数优秀的计算性能的Dempster-Shafer聚类，而在同一时间改善的聚类结果，包括一些更高的关系，情报报告所描述的模板。新算法的计算复杂性为O（n**3 log**2 n），而标准的基于Potts自旋平均场理论的Dempster-Shafer聚类算法为O（n**2 log**2 n）.
2003-05-16 cs.AI cs.NE
Poultry Diseases Expert System using Dempster-Shafer Theory
根据世界卫生组织（WHO）2011年的情况说明，家禽疾病特别是禽流感的爆发可能会引起全球公共卫生问题，因为它们对家禽种群的影响，它们可能导致严重的人类疾病，以及它们的大流行潜力。本研究利用Dempster-Shafer理论建立了一个禽病专家系统。在本禽病专家系统中，我们描述了五种症状，包括抑郁症、鸡冠、肉垂、青面区、肿面区、眼睛狭窄和平衡障碍。研究结果表明，禽病专家系统已成功地用于禽病的诊断。
2012-05-06 cs.AI stat.AP
D numbers theory: a generalization of Dempster-Shafer evidence theory
Southwest University（西南大学）；Vanderbilt University（范德堡大学）
对现实世界中不确定信息的有效建模仍然是一个悬而未决的问题。Dempster-Shafer证据理论是最常用的方法之一。然而，Dempster-Shafer证据理论有一个假设，即识别框架中的假设是相互排斥的。在实际应用中，特别是在语言决策中，由于语言变量本质上并不相互排斥，这一条件可能被违反。在本文中，一个新的理论，称为D数论（DNT），是系统地发展来解决这个问题。给出了两个D数的组合规则。定义了一个系数来衡量识别框架中假设之间的排他性程度。给出了两个D数的组合规则。如果互斥系数为1，即识别框架中的假设完全互斥，则D组合退化为经典的Dempster组合规则。最后，提出了一种D数的语言变量转换方法，用于决策。语言证据决策的一个数值例子被用来说明所提出的D数理论的有效性。
2014-05-13 cs.AI
Current Trends and Applications of Dempster-Shafer Theory (Review)
Тверской государственный технический университет（特维尔国立技术大学）；Межведомственный суперкомпьютерный центр РАН（俄罗斯科学院跨部门超级计算机中心）
本文综述了Dempster-Shafer理论及其在科学、工程和技术中的不同应用的当前趋势和发展。审查考虑到了以下条款，重点是该理论的某些具体方面。首先，本文考虑的研究方向，其结果不仅在科学和学术界已知，而且被广泛的潜在设计师和先进工程解决方案和技术的开发人员所理解。其次，文章展示了理论在人类活动的一些重要领域的应用，如制造系统，技术过程，材料和产品，建筑和施工，产品质量控制，经济和社会系统的诊断。特别注意的是在考虑的领域的研究现状，因此，出版的论文，作为一项规则，在最近几年，并提出了现代研究成果的Dempster-Shafer理论及其应用进行了选择和分析。
2021-03-26 cs.AI
Dempster-Shafer Belief Function - A New Interpretation
Polish Academy of Sciences（波兰科学院）
我们发展我们的解释的联合信念分布和证据更新，符合以下基本要求：* 在这个框架内必须有一种有效的推理方法 * 知识库的内容和现实世界之间必须有一个明确的对应关系 * 推理方法和一些现实世界的过程之间必须有一个明确的对应关系 * 在推理过程的结果和对应于推理过程的现实世界过程的结果之间必须存在清楚的对应关系。
2017-04-13 cs.AI
Factorization of Dempster-Shafer Belief Functions Based on Data
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
应用Dempster-Shafer理论（DST）的一个重要障碍是它与频率的关系。特别是，存在着严重的困难，从数据中发现的信念函数的因式分解。在概率论中，因子分解通常与（条件）独立性的概念有关，并相应地测试它们的可能性。然而，在DST中，条件信念分布被证明是非正确的信念函数（即与负“频率”相关的信念函数）。这使得潜在的条件独立性的统计测试实际上是不可能的，因为到目前为止还没有找到负置信函数值的连贯解释。在本文中，一个新的尝试，以克服这一困难。在该提案中，没有计算条件信念，而是在DST的框架内引入了一个新的测量F，与条件独立性密切相关，允许应用传统的统计测试来检测依赖性/独立性。
2018-12-14 cs.AI
Flexible categorization for auditing using formal concept analysis and Dempster-Shafer theory
University of Amsterdam（阿姆斯特丹大学）；KPMG（毕马威）；Vrije Universiteit（阿姆斯特丹自由大学）；University of Johannesburg（约翰内斯堡大学）
业务流程的分类是审计的重要组成部分。审计中的大量跨国数据可以用加权二分图表示为财务账户之间的交易。我们认为，这种二分图作为多值的正式背景下，我们用它来获得可解释的分类，这些业务流程中涉及的财务账户的业务流程中使用的方法，在正式的概念分析。本文介绍的方法的具体可解释性特征提供了几个优势，例如~不可解释的机器学习技术，事实上，它可以作为开发算法的基础，这些算法在透明和负责的原则上执行聚类任务。在这里，我们专注于获得和研究不同的方法来分类，根据不同程度的利益，在不同的财务帐户，或疑问议程，各种代理或子任务的审计。我们使用Dempster-Shafer质量函数来表示在不同的金融账户集合中表现出不同兴趣的议程。我们提出了两种新的方法来获得这些议程的分类。我们还模拟了一些可能的审议场景之间的代理与不同的疑问议程，以达到一个聚合的议程和分类。本文提出的框架提供了一个正式的基础，可以根据组织中不同代理人的议程（例如~），从表示为二分图的数据中获得和研究可解释的分类一家审计公司），并通过审议这些之间的互动。
2022-10-31 cs.AI cs.LO
Uncertainty in Ontologies: Dempster-Shafer Theory for Data Fusion Applications
EADS（欧洲航空防务与航天公司）
目前本体在数据融合应用中的兴趣越来越大。事实上，本体被看作是描述和推理传感器数据，对象，关系和一般领域理论的语义工具。此外，不确定性可能是数据融合处理的数据和信息的最重要特征之一。然而，本体论的基本性质意味着本体论只描述世界上断言的和真实的事实。不同的概率，模糊和证据的方法已经存在，以填补这一空白，本文回顾了最流行的工具。然而，没有一个工具完全符合我们的目的。因此，我们构建了一个Dempster-Shafer本体，可以导入到任何特定的领域本体，使我们能够以不确定的方式实例化它。我们还开发了一个Java应用程序，使推理这些不确定的本体实例。
2011-06-20 cs.AI
A neural network and iterative optimization hybrid for Dempster-Shafer clustering
在本文中，我们扩展了Dempster-Shafer理论中的早期结果[“Fast Dempster-Shafer Clustering Using a神经网络Structure，”in Proc. Seventh Int. Conf.信息处理and Management of Uncertainty in Knowledge-Based Systems（IPMU 98）]，其中大量证据被神经网络结构聚类为子集。通过最小化元冲突函数来完成聚类。以前，我们开发了一种基于迭代优化的方法。虽然神经方法的计算时间比迭代优化要短得多，但其平均聚类性能并不好。在这里，我们开发了两种方法的混合体。我们让神经结构进行初始聚类，以实现高计算性能。将其解作为初始状态进行迭代优化，以提高聚类性能。
2003-05-16 cs.AI cs.NE
Generalizing the Dempster-Shafer Theory to Fuzzy Sets
由于希望将Dempster-Shafer理论应用于证据强度通常不精确和模糊的复杂现实世界问题，已经进行了几次尝试来推广该理论。然而，D-S理论中的重要概念，即置信度函数和可信度函数是上概率和下概率，在这些推广中不再保留。在本文中，我们描述了一个广义的证据理论，在模糊集的置信度是通过最小化的模糊集的概率由一个基本的概率分配的约束下获得的。要制定一个模糊焦点元素的概率约束，我们将其分解成一组辅音非模糊焦点元素。通过将相容关系推广到可能性理论，我们能够证明我们推广到基于可能性分布的Dempster规则。我们的推广不仅扩展了D-S理论的应用，而且说明了一种方法，概率论和模糊集理论可以结合起来，以处理人工智能系统中的各种不确定性信息。
2013-03-27 cs.AI
Metaprobability and Dempster-Shafer in Evidential Reasoning
Advanced Information & Decision Systems（先进信息与决策系统公司）
专家系统中的证据推理经常使用ad-hoc不确定性演算。虽然人们普遍认为概率论提供了一个坚实的理论基础，但研究人员发现它作为一种可行的不确定性演算存在一些问题。这些问题包括无知的表现，概率判断的一致性，以及先验判断与经验的调整。亚概率理论在证据推理中的应用为解决这些问题提供了一条新的途径。亚概率论可以被看作是一种对信念提供软约束或硬约束的方法，其方式与Dempster-Shafer理论对状态空间子集上的概率质量提供约束的方式大致相同。因此，我们使用证据推理的另一种理论Dempster-Shafer理论来说明元概率理论作为证据推理的理论。本文的目的是比较亚概率理论和Dempster-Shafer理论如何处理一个特定的思想实验的证据信念的调整。第2节和第3节简要介绍了亚概率和Dempster-Shafer理论。元概率论处理应用于证据推理的高阶概率。Dempster-Shafer理论是概率论的一种推广，它是从上概率和下概率理论发展而来的。第四节描述了一个思想实验和实验的元概率和DempsterShafer分析。思想实验的重点是形成对具有6种类型成员的人口的信念{1，2，3，4，5，6}。类型由三个特征的值唯一定义：A，B，C。也就是说，如果已知群体中一个成员的三个特征，那么就可以确定其类型。这三个特征中的每一个都有两个可能的值（例如，A可以是“a0”或“al”）。信念由两个传感器（传感器A…
2013-03-27 cs.AI
An Interval-Valued Utility Theory for Decision Making with Dempster-Shafer Belief Functions
Université de Technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Shanghai University（上海大学）；Institut Universitaire de France（法国大学研究院）；University of Kansas（堪萨斯大学）
本文的主要目标是描述一个公理效用理论的Dempster-Shafer信念函数彩票。所使用的公理框架类似于Luce和Raiffa所描述的冯·诺伊曼-摩根斯坦的概率彩票效用理论。与概率的情况下，我们的公理框架导致区间值的效用，因此，部分（不完整）的偏好顺序的所有信念函数彩票。如果我们使用的信念函数参考彩票是贝叶斯信念函数，那么我们的表示定理与Jaffray的线性效用理论的表示定理相吻合。我们说明了我们的代表定理，使用文献中讨论的一些例子，我们提出了一个简单的模型，用于评估效用的基础上的区间值悲观指数代表决策者的态度模糊性和不确定性。最后，我们将我们的决策理论与Jaffray，Smets，Dubois等人提出的决策理论进行了比较，江和谢诺伊还有谢弗
2020-06-18 cs.AI
Simultaneous Dempster-Shafer clustering and gradual determination of number of clusters using a neural network structure
在本文中，我们扩展了Dempster-Shafer理论中的早期结果[“Fast Dempster-Shafer Clustering Using a神经网络Structure，”in Proc. Seventh Int. Conf.信息处理and Management of Uncertainty in Knowledge-Based Systems（IPMU'98）]，其中使用神经结构将多个证据聚类为固定数量的聚类。这是通过最小化元冲突函数来完成的。现在，我们开发了一种方法，同时聚类和集群的数量在迭代过程中的神经结构的确定。我们让神经元的输出信号代表证据属于相应聚类的程度。从这些，我们得到一个概率分布的集群的数量，这逐渐在迭代过程中转化为集群的数量的确定。这种逐渐确定在每次迭代时被反馈到神经结构中以影响聚类过程。
2003-05-16 cs.AI cs.NE
Dempster-Shafer clustering using Potts spin mean field theory
在这篇文章中，我们研究了Dempster-Shafer理论中的一个问题，其中2**q - 1个证据通过最小化元冲突函数或等价地通过最小化所有聚类上的冲突权重之和而被聚类到q个聚类中。以前，我们中的一个开发了一种基于Hopfield和Tank模型的方法。然而，对于非常大的问题，我们需要一种具有较低计算复杂性的方法。我们证明，证据冲突的重量，作为一个近似，可以线性化，并映射到一个反铁磁Potts自旋模型。这有助于有效的数值解，即使是大的问题大小。最佳或接近最佳的解决方案，发现Dempster-Shafer聚类基准测试的时间复杂度约为O（N**2 log**2 N）。此外，反铁磁Potts自旋模型和图优化问题之间的同构。图模型具有动态变量，这些动态变量存在于链接上，这些动态变量具有与证据之间的成对冲突直接相关的先验概率。因此，三个不同的模型之间的关系。
2003-05-16 cs.AI cs.NE
Dempsterian-Shaferian Belief Network From Data
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
Shenoy和Shafer {Shenoy：90}证明了对于Dempster-Shafer理论和概率论，存在有效地计算联合置信分布的边缘（通过所谓的局部计算）的可能性，只要联合分布可以分解（因式分解）成置信网络。存在许多算法用于将概率联合信念分布从数据分解成baidu（信念）网络。例如，Spirtes，Gaviour和Schein{Spirtes：90 b}提出了一个猜想，即直接依赖测试和头对头会议测试足以以Pearl的d-分离概念{Geiger：90}适用的方式从数据中对网络进行分类。本文旨在将Spirtes，Gaviour和Scheines {Spirtes：90 b}方法转移到Dempster-Shafer理论（DST）的基础上。为此，利用{Klopotek：93 b}中开发的DST的频率论解释。DST的条件性的一个特殊的概念被引入，并证明了行为相对于珍珠的d-分离{盖革：90}的方式与条件概率（虽然一些差异，如非唯一性是显而易见的）。在此基础上，开发了类似于{Spirtes：90 b}的算法。引入了部分定向图的概念，并在此图中定义了p-d-分离的概念。如果直接相关检验和头对头会议测试被用来定向的POG，那么它的p-d-分离被证明是等效的Pearl的d-分离的任何兼容的DAG。
2018-06-06 cs.AI
Fast Dempster-Shafer clustering using a neural network structure
在这篇文章中，我们研究了Dempster-Shafer理论中的一个问题，其中2**n - 1个证据被神经结构聚类成n个簇。通过最小化元冲突函数来完成聚类。以前，我们开发了一种基于迭代优化的方法。然而，对于大规模的问题，我们需要一个方法具有较低的计算复杂性。神经结构被发现是有效的，比迭代优化更快的更大的问题。虽然与中型问题的迭代优化相比，神经结构的元冲突增长更快，但每个集群和证据的元冲突是中等的。神经结构能够找到一个全球最小超过10个运行的问题大小高达六个集群。
2003-05-16 cs.AI cs.NE
Flexible categorization using formal concept analysis and Dempster-Shafer theory
Computational Science Lab, University of Amsterdam（阿姆斯特丹大学计算科学实验室）；KPMG（毕马威）；School of Business and Economics, Vrije Universiteit（自由大学商学院与经济学院）；Department of Mathematics and Applied Mathematics, University of Johannesburg（约翰内斯堡大学数学与应用数学系）；College of Business and Economics, University of Johannesburg（约翰内斯堡大学商学院与经济学院）；Faculty of Economics and Business, University of Amsterdam（阿姆斯特丹大学经济与商学院）
本文提出一种结合形式概念分析与Dempster-Shafer理论的形式化框架，用于生成可解释分类，并基于此设计了一种能提供局部与全局解释的异常检测与分类元算法。
2024-12-25 cs.AI
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
An evidential classifier based on Dempster-Shafer theory and deep learning
Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Shanghai University（上海大学）；Institut universitaire de France（法国大学研究院）
提出了一种基于Dempster-Shafer（DS）理论和卷积神经网络（CNN）结构的集值分类器。在这个被称为证据深度学习分类器的分类器中，卷积层和池化层首先从输入数据中提取高维特征。然后将特征转换为质量函数，并在DS层中通过Dempster规则进行聚合。最后，期望效用层执行基于质量函数的集值分类。我们提出了一个端到端的学习策略，共同更新网络参数。此外，提出了一种选择部分多类行为的方法。对图像识别、信号处理和语义关系分类任务的实验表明，所提出的深度CNN、DS层和预期效用层的组合使得有可能通过将混淆模式分配给多类集来提高分类精度并做出谨慎的决策。
2021-03-25 cs.AI cs.LG
Confidence Factors, Empiricism and the Dempster-Shafer Theory of Evidence
RCA, Advanced Technology Laboratories（美国无线电公司先进技术实验室）
基于知识的系统中的置信度问题变得越来越重要，Dempster-Shafer（DS）理论作为这些因素的基础变得越来越流行。本文讨论了对应用于知识系统的任何置信因子理论进行经验解释的必要性，并描述了对DS理论的经验解释，指出该理论已被广泛地误解。对于本质上是句法的DS理论，本文在传统的概率论语义模型--样本空间的基础上建立了一个模型。这个模型是用来表明，如果信念函数是基于合理准确的采样或观察的样本空间，然后根据DS理论计算的信念和上概率不能被解释为频率比。由于DS理论的许多建议应用在具有统计导出证据的情况下使用置信函数（Wesley [1]），并且似乎像Garvey [2]那样诉诸统计直觉来提供结果的解释，因此可以认为DS理论经常被误用。
2013-03-27 cs.AI
Avian Influenza (H5N1) Expert System using Dempster-Shafer Theory
Faculty of Science, Universiti Brunei Darussalam（文莱达鲁萨兰大学理学院）
根据2011年15个国家向世界卫生组织（世卫组织）报告的人类确诊禽流感（H5 N1）病例累积数，印度尼西亚因禽流感死亡人数最多，有146人死亡。在本研究中，研究者建立了一个禽流感（H5 N1）专家系统，用于禽流感疾病的诊断和诊断结果的显示。本文描述了抑郁、鸡冠、肉垂、青面、肿面、眼窄、平衡障碍等五种主要症状。我们以鸡为研究对象。研究地点位于南苏门答腊省楠榜省。研究人员之所以选择南苏门答腊省的楠榜省，是因为那里有大量的家禽。Dempster-Shafer理论作为专家系统中的推理机，将不确定性和未知性条件下的信念结合起来，对信念和可信度进行定量度量。结果表明，禽流感（H5 N1）专家系统成功地识别了禽流感的存在，并显示了识别过程的结果。
2012-04-19 cs.AI math.PR
Identification and Interpretation of Belief Structure in Dempster-Shafer Theory
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
证据的数学理论也被称为Dempster-Shafer理论（DST），被认为是当知识以各种细节水平表达时的推理基础。尽管自该理论创立以来，人们对它进行了大量的研究，但仍有许多问题有待解决。其中最重要的一个悬而未决的问题似乎是频率和证据的数学理论之间的关系。该理论被指责将频率留在其框架之外（或旁边）。这种指责的严重性是显而易见的：（1）没有实验可以运行来比较基于DST的真实世界过程模型与真实世界数据的性能，（2）数据可能无法作为构建适当信念模型的基础。在本文中，我们开发了一个频率论解释的DST带来下降上述论点对DST。它的直接后果是开发自动从数据中获取DST信念模型的算法的可能性。我们提出了三个这样的算法的各种类别的信念模型结构：树结构的信念网络，多树信念网络和一般类型的信念网络。
2017-07-12 cs.AI
Fast Dempster-Shafer clustering using a neural network structure
在本文中，我们研究了一个问题，在Dempster-Shafer理论中，2**n - 1个证据被神经结构聚类成n个簇。通过最小化元冲突函数来完成聚类。以前，我们开发了一种基于迭代优化的方法。然而，对于大规模的问题，我们需要一个方法具有较低的计算复杂性。神经结构被发现是有效的，比迭代优化更快的更大的问题。虽然与中型问题的迭代优化相比，神经结构的元冲突增长更快，但每个集群和证据的元冲突是中等的。神经结构能够找到一个全球最小超过10个运行的问题大小高达六个集群。
2003-05-16 cs.AI cs.NE
Distance function of D numbers
Southwest University（西南大学）；Vanderbilt University（范德堡大学）
Dempster-Shafer理论因其表达不确定性信息的能力而被广泛应用于不确定性建模和知识推理中。两个基本概率分配（BPA）之间的距离表示基于Dempster-Shafer证据理论的识别算法的性能度量。然而，一些条件导致了Dempster-Shafer理论在实际应用中的局限性，如排他性假设和完备性约束。为了克服这些缺点，提出了一种新的理论称为D数理论。提出了一种D数的距离函数来度量两个D数之间的距离。D数的距离函数是两个BP算法之间距离的推广，继承了Dempster-Shafer理论的优点，增强了不确定性建模的能力。最后通过一个实例验证了该方法的有效性。
2014-04-13 cs.AI
Creating Prototypes for Fast Classification in Dempster-Shafer Clustering
我们开发了一个分类方法，在Dempster-Shafer理论的证据传入件。这种方法是基于以前的工作与聚类和规范的原始非特异性证据。这种方法在这里是为了快速分类的未来传入的证据，通过比较它们与代表集群的原型，而不是使一个完整的集群的所有证据。该方法对于每个新证据具有O（M * N）的计算复杂性，其中M是子集的最大数量，N是为每个子集选择的原型的数量。也就是说，计算复杂性与先前到达的证据的总数无关。在任何应用中，参数M和N通常是固定的并且取决于域。
2003-05-16 cs.AI cs.NE
What Does a Belief Function Believe In ?
Polish Academy of Sciences（波兰科学院）
Dempster-Shafer证据理论中的条件作用已经被Shafer \cite{Shafer:90}定义为通过Dempster规则的信念函数和“事件”的组合。另一方面谢弗\cite{Shafer:90}给出了一个“概率”解释的信念函数（因此间接从一个样本的推导）。鉴于样本导出概率分布的条件概率分布是从子样本（根据条件事件选择）导出的概率分布，本文研究了Dempster组合规则的经验性质。证明了所谓的“条件”信念函数不是给定事件的信念函数，而是给定原始经验数据的信念函数基于此，提出了一种不同于Shafer的信念函数的解释。从数据的信念网络的建设算法推导出这种解释。
2017-06-08 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
On Marginally Correct Approximations of Dempster-Shafer Belief Functions from Data
Institute of Computer Science（计算机科学研究所）；Polish Academy of Sciences（波兰科学院）
数学证据理论（Mathematical Theory of Evidence，MTE）是在部分无知下进行推理的基础，它被指责将频率留在其框架之外（或旁边）。这种指责的严重性是显而易见的：没有实验可以运行来比较基于真实世界数据的真实世界过程模型的性能。在本文中，我们考虑这个问题的观点，条件的MTE。我们描述了一类的信念函数，其边际一致性与观察到的频率可以实现和条件的信念函数是适当的信念函数，%\和处理的影响（边际）近似一般的信念函数，这类信念函数和推理模型在MTE。
2018-12-07 cs.AI
Focal points and their implications for Möbius Transforms and Dempster-Shafer Theory
Sorbonne University Alliance（索邦大学联盟）；Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Heudiasyc（Heudiasyc实验室）
Dempster-Shafer理论（DST）推广了贝叶斯概率理论，提供了有用的额外信息，但具有更高的计算负担。为了降低Dempster准则信息融合的时间复杂度，人们做了大量的工作。Dempster准则是两个zeta变换的逐点相乘，并且已经找到了最优的通用算法来得到这些变换的完整定义。然而，它是在本文中所示的zeta变换及其逆，莫比乌斯变换，可以精确地简化，拟合信度函数中包含的信息量。除此之外，这种简化实际上适用于任何偏序集上的任何函数。它依赖于一个新的概念，我们称之为焦点，它构成了最小的域，在这个域上可以定义zeta和莫比乌斯变换。我们证明了DST的这些一般结果的兴趣，不仅减少了复杂性之间的信仰表示和他们的融合，但也为理论目的的转换。事实上，我们提供了一个新的概括的证据和公式揭示每个分解权重是如何绑定到相应的质量函数的合取分解。
2020-12-05 cs.AI cs.DM
Feature Fusion for Improved Classification: Combining Dempster-Shafer Theory and Multiple CNN Architectures
Prince Sultan University（苏丹王子大学）
本文提出一种利用Dempster-Shafer理论融合多个预训练CNN模型的新算法，通过特征提取与质量函数融合提升分类可靠性，在CIFAR-10和CIFAR-100上分别实现5.4%和8.4%的准确率提升。
2024-05-23 cs.AI cs.CV cs.LG
Cluster-based Specification Techniques in Dempster-Shafer Theory
在不确定性推理中，有许多情况下，证据不仅不确定，而且它们的命题也可能是弱指定的，因为它可能不确定命题所指的是哪个事件。因此，至关重要的是，不要错误地认为这些证据指的是同一事件。如果证据可以被聚类成代表应该被单独处理的事件的子集，这种情况将变得可管理。在前面的文章中，我们在Dempster-Shafer理论中建立了一个标准函数，称为元冲突函数。有了这个标准，我们可以划分成子集的证据集。每个子集代表一个单独的事件。在这篇文章中，我们不仅会为每一个证据找到最合理的子集，我们还将为每个子集找到证据属于该子集的可能性。此外，当子集的数量是不确定的，我们的目标是找到一个后验概率分布的子集的数量。
2003-05-16 cs.AI cs.NE
Use of Dempster-Shafer Conflict Metric to Detect Interpretation Inconsistency
Safety Security Rescue Research Center（安全、安保与救援研究中心）；University of South Florida（南佛罗里达大学）
即使传感器正常工作，根据传感器数据构建的世界模型也可能是不正确的。可能的原因包括使用不合适的传感器（例如透过玻璃墙观察的激光），传感器不准确性累积（例如定位误差），先验模型错误，或内部表示与世界不匹配（例如动态移动对象使用的静态占用网格）。我们感兴趣的情况是，构建的世界模型是有缺陷的，但无法访问地面真相，使系统能够看到差异，例如机器人进入未知环境。本文考虑的问题，确定什么时候是错误的，只使用传感器数据用于构建世界模型。它提出了11个解释不一致性指标的基础上的Dempster-Shafer冲突度量，Con，并根据三个标准来评估这些指标：区分真正的不一致性传感器噪声（分类），估计差异的大小（估计），并确定源（S）（如果有的话）在环境中的传感问题（隔离）。使用数据进行评估，从移动机器人与声纳和激光测距传感器在受控条件下导航室内环境。评估表明，甘比诺指示器在估计（最多0.77相关性）、隔离和感知情况分类为退化（7%假阴性率）或正常（0%假阳性率）方面表现最佳。
2012-07-04 cs.AI
Deriving And Combining Continuous Possibility Functions in the Framework of Evidential Reasoning
SRI International（斯坦福国际研究院）
为了开发一种方法来利用连续的统计信息的Dempster- Shafer框架内，我们结合斯特拉特和Shafero提出的方法。我们首先从概率密度函数推导出连续的可能性和质量函数。然后，我们提出了一个规则相结合的证据，是更简单，更有效地计算比Dempster的规则。我们讨论了Dempster规则和我们提出的规则之间的关系，在连续帧的证据相结合。
2013-03-27 cs.AI
Avian Influenza (H5N1) Warning System using Dempster-Shafer Theory and Web Mapping
Faculty of Science, Universiti Brunei Darussalam（文莱达鲁萨兰大学理学院）
根据2011年15个国家向世界卫生组织（世卫组织）报告的人类确诊禽流感（H5 N1）病例累积数，印度尼西亚因禽流感死亡人数最多，有146人死亡。在本研究中，研究者构建了一个基于Web Mapping和Dempster-Shafer理论的禽流感预警系统。早期预警是通过确定的机构提供及时和有效的信息，使面临危险的个人能够采取行动避免或减少其风险，并为有效应对做好准备。本文以抑郁、鸡冠、肉垂、青面、肿面、眼窄、平衡障碍等五种症状为主要症状。研究地点位于南苏门答腊省楠榜省。研究人员之所以选择南苏门答腊省的楠榜省，是因为那里有大量的家禽。楠榜省位于东经103040'至105050'，南纬6045'至3045'之间，北临南苏门答腊和明古鲁，东临巽他海峡，西临印度尼西亚海。我们的方法使用Dempster Shafer理论结合信念在某些假设条件下的不确定性和无知，并允许定量测量的信念和可信度在我们的识别结果。网络制图还用于在屏幕上显示地图，以可视化识别过程的结果。结果表明，禽流感预警系统成功地识别出禽流感的存在，并能以可视化的方式显示。
2012-04-19 cs.AI math.PR
