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 proposes the Pignistic Probability Transformation (PPT) as the decision layer in the Transferable Belief Model (TBM), which argues when there is no more information, we have to make a decision using a Probability Mass Function (PMF). In this paper, the Belief Evolution Network (BEN) and the full causality function are proposed by introducing causality in Hierarchical Hypothesis Space (HHS). Based on BEN, we interpret the PPT from an information fusion view and propose a new Probability Transformation (PT) method called Full Causality Probability Transformation (FCPT), which has better performance under Bi-Criteria evaluation. Besides, we heuristically propose a new probability fusion method based on FCPT. Compared with Dempster Rule of Combination (DRC), the proposed method has more reasonable result when fusing same evidence.
Quantum Information Fusion and Correction under the Transferable Belief Model
School of Electronics and Information, Northwestern Polytechnical University（电子信息学院，西北工业大学）；College of Future Information Technology, Fudan University（未来信息技术学院，复旦大学）；College of Information Engineering, Northwest A\&F University（信息工程学院，西北农林科技大学）；Institute of Fundamental and Frontier Science, University of Electronic Science and Technology of China（基础与前沿科学研究院，电子科技大学）；Department of Image and Information Processing, IMT-Atlantique（图像与信息处理系，IMT-Atlantic）
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）
Morphologic for knowledge dynamics: revision, fusion, abduction
LTCI, Télécom ParisTech, Université Paris-Saclay（LTCI，巴黎高等电信学院，巴黎萨克雷大学）；Université Paris-Dauphine, PSL Research University, CNRS（巴黎第九大学，巴黎文理研究大学，法国国家科学研究中心）；Universidad de Los Andes（洛斯安第斯大学）；Universidad Industrial de Santander（桑坦德工业大学）
Imprecise Belief Fusion Improves Multi-agent Social Learning
School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院）；Graduate School of Arts and Sciences, The University of Tokyo（东京大学文学部・理学部研究科）
Isopignistic Canonical Decomposition via Belief Evolution Network
University of Electronic Science and Technology of China（电子科技大学）；Institute of Fundamental and Frontier Science（基础与前沿研究院）；Vanderbilt University（范德堡大学）；School of Medicine（医学院）
Inter Observer Variability Assessment through Ordered Weighted Belief Divergence Measure in MAGDM Application to the Ensemble Classifier Feature Fusion
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；School of Medical Science and Technology, Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校医学科学与技术学院）
Institute of Fundamental and Frontier Science, UESTC（电子科技大学基础与前沿研究院）；Institute of Computing Technology, CAS（中国科学院计算技术研究所）；School of Education, SNNU（陕西师范大学教育学院）；ETH Zurich（苏黎世联邦理工学院）
Pignistic Probability Transforms for Mixes of Low- and High-Probability Events
Lockheed Martin（洛克希德·马丁公司）
在一些现实世界的信息融合的情况下，时间关键的决策必须与不完整的信息集。置信函数理论（例如，证据理论（Dempster-Shafer theory of evidence，Transferable Belief Model）已经被证明为处理或融合形成不完全信息集的定量线索或信息度量提供了一种合理的方法。对于决策制定，pignistic（来自拉丁语pignus，赌注）概率变换已被证明是使用信念或基本信念分配（BBA）进行决策的好方法。对于许多系统，只需要处理集合中最可能的元素。对于某些关键系统，必须评估错误决策的风险，并为决策制定建立安全概率阈值。这增加了决策的复杂性，因为必须处理集合中高于风险决策阈值的所有元素。如果大多数概率都低于这个阈值，问题就大大简化了。找到一个适当地表示低概率和高概率事件混合的概率变换是至关重要的。本文介绍了四种新的pignistic概率变换，并使用最新的Beliefs、Plaufet或BBA值来改进pignistic概率估计。它们中的一些比Smets pignistic变换为更小的信念或BBA值分配更小的概率值。与Smets pignistic变换相比，它们还为较大的信念或BBA值分配更高的概率值。这些概率变换将分配一个概率值，该概率值更快地收敛到低于风险阈值的值。还引入了概率信息内容（PIC）变量，其将信息内容值分配给任何概率集合。定义了四个运算符以简化推…
