Zum Inhalt springen
Zurück zu den Suchergebnissen

Dempster-Shafer-Theorie der Evidenz

Eingeführt von
Arthur P. Dempster & Glenn Shafer
Jahr
1976
Typ
Uncertainty calculus for combining evidence
Familie
Evidence theory

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Die Dempster-Shafer-Theorie ist ein mathematischer Rahmen für die Unsicherheitsanalyse, der die Bayes'sche Wahrscheinlichkeit verallgemeinert, indem er Unwissenheit explizit darstellt.

Anstatt jeder Hypothese eine einzige Wahrscheinlichkeit zuzuweisen, ordnet sie Glaubensmassen Mengen von Hypothesen zu und leitet ein Glaubens-Plausibilitäts-Intervall ab. Sie stellt die Dempster-Regel zur Fusion von Evidenz aus mehreren unabhängigen Quellen bereit. Entwickelt aus Arthur Dempsters Arbeit von 1967 und Glenn Shafers Monographie von 1976, bildet sie die Grundlage für Evidenz-basierte Schlussfolgerungen und die Fusion von Sensor-/Entscheidungsdaten.

Die Intuition hinter der Methode

Die Bayes'sche Wahrscheinlichkeit verlangt, dass Sie Ihren Glauben vollständig auf die Hypothesen aufteilen, auch wenn Sie es einfach nicht wissen – Sie müssen jeder eine Zahl zuweisen. Dempster-Shafer erlaubt Ihnen zu sagen: „Ich habe Evidenz für A oder B, kann sie aber noch nicht aufteilen“, indem Sie der Menge {A, B} eine Masse zuweisen, anstatt A und B einzeln. Aus diesen Massen berechnet sie zwei Grenzen für jede Hypothese: den Glauben (die Unterstützung, die sich notwendigerweise darauf verpflichtet) und die Plausibilität (die Unterstützung, die sie nicht ausschließt). Die Lücke zwischen ihnen misst Ihre Unwissenheit. Wenn eine zweite Evidenzquelle eintrifft, kombiniert die Dempster-Regel die beiden, indem sie ihre Fokusmengen schneidet und den Konflikt normalisiert.

Geschichte

Arthur Dempster führte 1967 obere und untere Wahrscheinlichkeiten ein, die durch mehrwertige Abbildungen induziert werden, und Glenn Shafer fasste dies 1976 in seinem Buch A Mathematical Theory of Evidence zu einer in sich geschlossenen Evidenztheorie zusammen und gab Glaubensfunktionen, Plausibilität und die Kombinationsregel an. Der Rahmen verbreitete sich in der künstlichen Intelligenz und Informationsfusion als „evidenzbasierte Schlussfolgerung“, und spätere Verfeinerungen – das Transferable Belief Model (Smets), alternative Kombinationsregeln für Konflikte und der evidenzbasierte Ansatz in MCDM – adressierten seine bekannten Schwierigkeiten, während sie seine explizite Behandlung von Unwissenheit beibehielten.

Wann wird sie eingesetzt?

Verwenden Sie die Dempster-Shafer-Theorie, wenn Sie unsichere, partielle oder widersprüchliche Evidenz aus mehreren Quellen kombinieren müssen und Unwissenheit explizit darstellen möchten, anstatt eine vollständige A-priori-Verteilung anzunehmen – typisch für Sensorfusion, Klassifizierung aus mehreren Quellen, Diagnose- und Zielerkennungssysteme, Risiko- und Zuverlässigkeitsbewertung sowie GIS-Evidenzüberlagerung. Sie ist wertvoll, wenn die Zuweisung präziser Bayes'scher A-priori-Werte künstlich ist und wenn die Unterscheidung zwischen „keine Evidenz“ und „Evidenz für keine“ wichtig ist. Einschränkungen: Die Dempster-Regel kann bei stark widersprüchlichen Quellen zu kontraintuitiven Ergebnissen führen (Zadehs Paradoxon), die Berechnung wächst mit der Potenzmenge der Hypothesen, und die Annahme der Unabhängigkeit der Quellen ist oft nur annähernd erfüllt. Alternativen/Erweiterungen umfassen Bayes'sche Netze, das Transferable Belief Model und andere konflikt tolerierende Kombinationsregeln.

Grenzen und Hinweise

  • Die Dempster-Regel kann bei starkem Konflikt zu kontraintuitiven Ergebnissen führen (Zadehs Paradoxon).
  • Die Berechnung skaliert mit der Potenzmenge des Rahmens, was bei vielen Hypothesen kostspielig ist.
  • Geht von unabhängigen Quellen aus, was oft nur annähernd zutrifft.
  • Die Ermittlung aussagekräftiger Massenfunktionen kann in der Praxis schwierig sein.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Stellt Unwissenheit explizit durch Masse auf Mengen dar, keine erzwungenen Einzelwahrscheinlichkeiten.
  • Bietet Glaubens- und Plausibilitätsgrenzen, die quantifizieren, wie viel unbekannt ist.
  • Bietet eine prinzipielle Regel zur Fusion von Evidenz aus mehreren unabhängigen Quellen.
  • Verallgemeinert die Bayes'sche Wahrscheinlichkeit und stellt sie wieder her, wenn die gesamte Masse auf Einzelpunkte entfällt.

Anwendungen

  • Multi-Sensor- und Multi-Source-Datenfusion für Klassifizierung und Zielerkennung.
  • Diagnose- und Entscheidungsunterstützungssysteme, die unsichere Experten-/Testevidenz kombinieren.
  • Risiko-, Zuverlässigkeits- und Sicherheitsbewertung mit unvollständigen Informationen.
  • GIS-Evidenzüberlagerung und Eignungsmodellierung aus heterogenen Schichten.
  • Evidenzbasierte Ansätze in der Multi-Kriterien-Entscheidungsanalyse.

So funktioniert es

So funktioniert es

1

Evidenz wird als eine grundlegende Wahrscheinlichkeitszuweisung (Massenfunktion) m über Teilmengen des Diskriminierungsrahmens Θ (der Menge der sich gegenseitig ausschließenden Hypothesen) kodiert. Masse kann jeder Teilmenge zugewiesen werden – einschließlich des gesamten Rahmens Θ, der vollständige Unwissenheit darstellt –, und die Massen summieren sich zu eins, wobei die leere Menge null erhält.

Formel
m: 2^{\Theta} \to [0,1],\quad m(\emptyset)=0,\ \sum_{A \subseteq \Theta} m(A) = 1
2

Aus den Massen werden zwei Maße für jede Hypothese A abgeleitet: Der Glaube Bel(A) summiert die Masse aller Teilmengen, die vollständig in A enthalten sind (die Evidenz, die sich vollständig auf A verpflichtet), während die Plausibilität Pl(A) die Masse jeder Teilmenge summiert, die A schneidet (die Evidenz, die zumindest mit A kompatibel ist). Zusammen bilden sie das Intervall [Bel(A), Pl(A)], dessen Breite die verbleibende Unsicherheit quantifiziert.

Formel
\text{Bel}(A) = \sum_{B \subseteq A} m(B),\quad \text{Pl}(A) = \sum_{B \cap A \neq \emptyset} m(B)
3

Die Dempster-Kombinationsregel fusioniert zwei unabhängige Massenfunktionen: Für jedes Paar von Fokusmengen multipliziert sie deren Massen und weist das Produkt deren Schnittmenge zu, dann normalisiert sie durch 1 − K, wobei K die Gesamtmasse ist, die auf die leere Menge gefallen ist (der Konflikt zwischen den Quellen). Das Ergebnis ist eine neue Massenfunktion, die die zusammengefasste Evidenz zusammenfasst.

Formel
m_{12}(A) = \dfrac{1}{1-K}\sum_{B \cap C = A} m_1(B)\,m_2(C),\quad K = \sum_{B \cap C = \emptyset} m_1(B)\,m_2(C)
4

Entscheidungen nutzen das Glaubens-Plausibilitäts-Intervall – zum Beispiel die Wahl der Hypothese mit dem höchsten Glauben, der höchsten Plausibilität oder der höchsten pignistischen (wahrscheinlichkeitsähnlichen) Transformation der Massen. Das explizite Intervall ermöglicht es einem System, mehr Evidenz zurückzustellen oder anzufordern, wenn Glaube und Plausibilität stark divergieren.

Formel
[\text{Bel}(A),\ \text{Pl}(A)]\ \text{= belief interval for } A

Häufige Fallstricke

  • Anwendung der Dempster-Regel auf stark widersprüchliche Quellen ohne Überprüfung der Konfliktmasse K.
  • Verwechslung von Glauben mit Wahrscheinlichkeit – Glaube ist eine untere Schranke, keine Punkt schätzung.
  • Ignorieren des kombinatorischen Blow-ups, wenn der Diskriminierungsrahmen groß ist.
  • Kombination abhängiger Quellen als wären sie unabhängig, was zu einer Doppelzählung gemeinsamer Evidenz führt.

Häufig gestellte Fragen

Wie unterscheidet sich die Dempster-Shafer-Theorie von der Bayes'schen Wahrscheinlichkeit?

Die Bayes'sche Wahrscheinlichkeit weist jeder Hypothese eine einzige Zahl zu und erfordert eine vollständige A-priori-Verteilung. Dempster-Shafer weist Mengen von Hypothesen Masse zu, wodurch Unwissenheit direkt dargestellt werden kann, und fasst jede Hypothese durch ein Glaubens-Plausibilitäts-Intervall zusammen. Sie verallgemeinert den Bayes'schen Ansatz, der wiederhergestellt wird, wenn die gesamte Masse auf einzelne Hypothesen entfällt.

Was sind Glaube und Plausibilität?

Glaube Bel(A) ist die gesamte Evidenz, die sich vollständig auf A verpflichtet (eine untere Schranke für seine Wahrscheinlichkeit); Plausibilität Pl(A) ist die gesamte Evidenz, die zumindest mit A kompatibel ist (eine obere Schranke). Das Intervall [Bel(A), Pl(A)] grenzt die wahre Unterstützung für A ein, und seine Breite spiegelt wider, wie viel unbekannt bleibt.

Was ist das Konfliktproblem bei der Dempster-Regel?

Wenn zwei Quellen stark widersprechen, fällt der Großteil der kombinierten Masse auf die leere Menge (der Konflikt K). Die Normalisierung kann zu kontraintuitiven Ergebnissen führen – Zadehs klassisches Paradoxon. Hoher Konflikt signalisiert, dass die Dempster-Regel ungeeignet sein könnte, was alternative Kombinationsregeln oder eine Überprüfung der Quellenzuverlässigkeit motiviert.

Verwandte Methoden

Quellen

  1. Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339.

    DOI-Referenz öffnen
    Kopiert.
  2. Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.

    ISBN: 978-0-691-08175-5
    Kopiert.