首页/论文/2210.04535

arXiv 2210.045352022-10cs.AIcs.MAcs.SI

有序识别框架上的信念函数

Belief functions on ordered frames of discernment

Univ Rennes（雷恩大学）；IRISA（法国国家信息与自动化研究所雷恩分院（雷恩信息系统与随机过程研究所））；IUT de Lannion（拉尼翁大学技术学院）

Arnaud Martin

发表信息：: 7th International Conference on Belief Functions (BELIEF2022), BFAS, Oct 2022, Paris, France

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

大多数问卷提供了有序的反应，其顺序通过信念函数研究得很差。在本文中，我们研究的后果识别框架组成的有序元素的信念功能。这使我们重新定义了幂空间和有序元素的并集。我们还研究了有序元素的距离及其使用。特别是，从隶属函数，我们重新定义的有序元素的交集的基数，认为他们模糊。

英文摘要：

Most questionnaires offer ordered responses whose order is poorly studied via belief functions. In this paper, we study the consequences of a frame of discernment consisting of ordered elements on belief functions. This leads us to redefine the power space and the union of ordered elements for the disjunctive combination. We also study distances on ordered elements and their use. In particular, from a membership function, we redefine the cardinality of the intersection of ordered elements, considering them fuzzy.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

有序相对信度熵

Ordinal relative belief entropy

Institute of Fundamental and Frontier Science, University of Electronic Science and Technology of China（电子科技大学基础与前沿研究院）

特别定制的熵被广泛应用于衡量识别框架中存在的不确定性程度。然而，这些熵都是将框架视为一个已经确定的整体，与实际情况不符。在现实生活中，一切事物都是有序的，如何度量认知框架中命题序列确定的动态过程的不确定性是一个悬而未决的问题，相关的研究尚未展开。因此，本文提出了一种新的序熵来衡量识别框架的不确定性，考虑了命题的确认顺序。与传统的熵相比，它体现了认知框架中存在的命题顺序对不确定性程度的影响。最后通过数值算例验证了本文所提出的熵的正确性和有效性。

2021-02-21cs.AI

信念演算

Belief Calculus

在Dempster-Shafer信念理论中，一般信念被表示为识别框架上的信念质量分布函数。在主观逻辑中，信念被表示为二元识别框架上的信念质量分布函数。主观逻辑中的信念表示，称为意见，也包含一个基本速率参数，表示在缺乏证据的先验信念。在哲学上，信念是人类或其他智能主体感知到的证据的定量表示。经典概率演算的基本运算符，如加法和乘法，可以应用于意见，从而使信念演算实用。通过观点和Beta概率密度函数之间的等价性，这也提供了Beta概率密度函数的演算。这篇文章解释了信念演算的基本要素。

2006-06-07cs.AI

来自大型语言模型的事实核查信息会降低标题辨别能力

Fact-checking information from large language models can decrease headline discernment

Observatory on Social Media, Indiana University（社会媒体观察所，印第安纳大学）；FSI Cyber Policy Center, Stanford University（斯坦福大学FSI网络政策中心）；Network Science Institute, Northeastern University（东北大学网络科学研究所）

本研究通过随机对照实验发现，大型语言模型提供的事实核查信息虽准确率高（90%），但未能提升用户对新闻标题的辨别能力，甚至在某些情况下有害，而人工核查则有效，凸显了AI应用需政策干预以防危害。

2024-08-07cs.AIcs.CYcs.HC

用低复杂度的实用编码实现一般置信函数框架

Implementing general belief function framework with a practical codification for low complexity

DRDC (Defense Research and Development Canada)（加拿大国防研究与发展部）；ENSIETA（法国国立高等工程技术学校（布雷斯特））

在这一章中，我们提出了一个新的实用的文氏图的元素编码，以方便地操纵焦点元素。为了减少复杂性，最终的限制必须在开始时纳入编纂。因此，我们只考虑可以是$2^Θ$或$D^Θ$的简化超幂集$D_r^Θ$。我们描述了一个一般的信念函数框架的所有步骤。决策的步骤是特别研究，事实上，当我们可以决定的识别空间的单态的交叉点没有实际的决策函数是很容易使用的。因此，提出了两种办法，一种是对前一种办法的扩展，另一种是根据要作出决定的要素的具体情况。本章的主要目的是为需要信度函数理论的研究者和用户提供一个通用信度函数框架的实用代码。

2008-07-22cs.AI

2CoBel：一种有效的二维的连续空间信度函数扩展

2CoBel : An Efficient Belief Function Extension for Two-dimensional Continuous Spaces

SATIE Laboratory（SATIE实验室）；CNRS UMR 8029（法国国家科学研究中心UMR 8029）；Paris-Sud University（巴黎第十一大学）；Paris-Saclay University（巴黎萨克雷大学）

本文介绍了一种创新的方法来处理2D复合假设的信念函数理论框架内。我们提出了一个基于XML的通用表示，它依赖于多边形裁剪算子。这种方法允许我们在计算成本中考虑独立于识别框架的基数的表示的精度。对于BBA组合和决策，我们提出了高效的算法，依赖于哈希快速查找，并在有向无环图编码其互连的焦点元素的拓扑排序。此外，本文中提出的功能的实现提供了一个开源库。行人定位问题的实验结果报告。实验表明，该解决方案是准确的，它充分受益于我们的表示提供的二维搜索空间粒度的可扩展性。

2018-03-23cs.AI

缺省推理与可转移信念模型

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。

2013-03-27cs.AI

更多相关论文收起更多论文

修正部分有序信念

Revising Partially Ordered Beliefs

本文讨论偏序信念的修正问题。它提出了一个语义表示的认知状态的部分前序解释和句法表示的部分有序的信念基础。两个修订操作，修订源于历史的观察和可能性的修订，定义时的认知状态是由总的前序表示，一般化，在语义层面上，部分前序的情况下的解释，并在句法层面上，部分有序的信念基础的情况下。对于两个修订操作，示出了两种表示之间的等价性。

2002-10-03cs.AI

关于有序信念导致概率模型的直觉

Intuitions about Ordered Beliefs Leading to Probabilistic Models

Plymouth State College（普利茅斯州立学院）

一般使用主观概率模型的信念已被证明使用许多公理化计划。例如，？一致的赌博行为的论点是众所周知的。对于那些还不相信概率模型的唯一适用性和普遍性的人来说，这样的理由往往是没有说服力的。本文探讨概率模型的另一个基本原理。?定性概率，这是已知的信念表示方案提供严格的限制，来自五个简单的假设之间的关系信念。虽然熟悉的理性概念，如传递性，优势，和一致性的对应物被使用，赌博的背景下被避免。定性概率和概率本身之间的差距可以通过几个附加假设中的任何一个来弥合。这里的讨论依赖于最近人工智能文献中常见的结果，引入了第六个简单的假设。叙述强调模型的基础上独特的完整的排序，但理由很容易扩展到激励集值表示的偏序。

2013-03-13cs.AI

单值和集值信念概率模型的无知性和表达性

Ignorance and the Expressiveness of Single- and Set-Valued Probability Models of Belief

随着时间的推移，概率分布用于表示信念的方式有了很多改进。依赖于单一概率分布的模型描述了感兴趣的命题之间的完整排序，然而人类的信念有时并不完全有序。概率分布的非单例集可以表示偏序信念。凸集是特别方便和表达，但它是已知的，有合理的模式的信念，其忠实的表示需要较少的限制集。本论文表明，事先无知的三个或更多的排他性的替代品和出现的偏序信念时，获得证据藐视任何一组分布的代表，但产量代表波特几个UT。偏序被证明是一个部分定性概率，它与概率分布共享一些直观上吸引人的属性。

2013-02-27cs.AI

证据CNN分类器融合用于图像分类

Fusion of evidential CNN classifiers for image classification

Université de technologie de Compiègne（贡比涅技术大学）；Institut universitaire de France（法国大学研究院）

提出了一种基于置信函数的卷积神经网络信息融合方法。在这种方法中，几个预先训练的基于DS的CNN架构从输入图像中提取特征，并将其转换为不同识别帧上的质量函数。然后，融合模块使用Dempster规则聚合这些质量函数。端到端的学习过程允许我们使用带有软标签的学习集来微调整体架构，这进一步提高了分类性能。使用三个基准数据库的实验证明了这种方法的有效性。

2021-08-23cs.AIcs.CV

MAGDM中基于有序加权信念散度度量的观察者间变异性评估及其在集成分类器特征融合中的应用

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）

针对现有多属性群决策方法忽略专家意见冲突的问题，提出一种结合基本概率赋值、有序加权信念似然度量与散度度量的证据MAGDM框架，并验证了其在视网膜疾病诊断的集成分类器特征融合中的应用价值。

2024-09-13cs.AIcs.ITmath.IT

FNBT：基于 Dempster-Shafer 证据理论的开放世界信息融合全否定信任变换

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。

2025-08-11cs.AI

评估候选人的价值。信度函数与可能性理论的比较

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。

2013-01-23cs.AI