Skip to content
بازگشت به نتایج جست‌وجو

نظریه شواهد دمپستر-شافر

معرفی‌شده توسط
Arthur P. Dempster & Glenn Shafer
سال
1976
نوع
Uncertainty calculus for combining evidence
خانواده
Evidence theory

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

نظریه دمپستر-شافر یک چارچوب ریاضی برای استدلال تحت عدم قطعیت است که احتمال بیزی را با نمایش صریح جهل تعمیم می‌دهد. به جای تحمیل یک احتمال واحد بر هر فرضیه، جرم باور را به مجموعه‌هایی از فرضیه‌ها اختصاص می‌دهد و یک بازه باور-قابلیت باور استنتاج می‌کند، و قانون دمپستر را برای ترکیب شواهد از منابع مستقل متعدد ارائه می‌دهد. این نظریه که از کار آرتور دمپستر در سال ۱۹۶۷ و رساله گلن شافر در سال ۱۹۷۶ توسعه یافته است، مبنای استدلال شواهد و ترکیب حسگر/تصمیم است.

شهود پشت روش

احتمال بیزی اصرار دارد که شما باور خود را به طور کامل بین فرضیه‌ها تقسیم کنید، حتی زمانی که صرفاً نمی‌دانید - باید برای هر کدام عددی تعیین کنید. دمپستر-شافر به شما امکان می‌دهد بگویید «من شواهدی برای A یا B دارم اما هنوز نمی‌توانم آن را تقسیم کنم»، با اختصاص جرم به مجموعه {A, B} به جای A و B به طور جداگانه. از این جرم‌ها، دو حد برای هر فرضیه محاسبه می‌کند: باور (حمایتی که لزوماً به آن متعهد است) و قابلیت باور (حمایتی که آن را رد نمی‌کند). شکاف بین آن‌ها میزان جهل شما را اندازه‌گیری می‌کند. هنگامی که منبع دومی از شواهد می‌رسد، قانون دمپستر این دو را با تقاطع مجموعه‌های کانونی آن‌ها و نرمال‌سازی تعارض ترکیب می‌کند.

تاریخ

آرتور دمپستر در سال ۱۹۶۷ احتمالات بالا و پایین ناشی از نگاشت‌های چند مقداری را معرفی کرد و گلن شافر در کتاب خود در سال ۱۹۷۶ به نام «نظریه ریاضی شواهد» آن را به یک نظریه شواهد مستقل تبدیل و گسترش داد و توابع باور، قابلیت باور و قانون ترکیب را ارائه داد. این چارچوب در هوش مصنوعی و ترکیب اطلاعات به عنوان «استدلال شواهد» گسترش یافت و اصلاحات بعدی - مدل باور قابل انتقال (اسمیتس)، قوانین ترکیب جایگزین برای تعارض، و رویکرد استدلال شواهد در MCDM - به مشکلات شناخته شده آن پرداختند در حالی که رفتار صریح جهل را حفظ کردند.

چه زمانی استفاده شود

هنگامی که باید شواهد نامطمئن، جزئی یا متناقض را از منابع متعدد ترکیب کنید و بخواهید جهل را به صراحت نشان دهید به جای اینکه یک پیشین کامل را فرض کنید - که معمولاً در ترکیب حسگر، طبقه‌بندی چند منبعی، سیستم‌های تشخیصی و تشخیص هدف، ارزیابی ریسک و قابلیت اطمینان، و همپوشانی شواهد GIS رخ می‌دهد - از نظریه دمپستر-شافر استفاده کنید. این نظریه زمانی ارزشمند است که تعیین پیشین‌های بیزی دقیق مصنوعی باشد و زمانی که تمایز بین «عدم وجود شواهد» و «شواهد عدم وجود» اهمیت دارد. هشدارها: قانون دمپستر می‌تواند نتایج غیرمنتظره‌ای را تحت منابع بسیار متناقض تولید کند (پارادوکس زاد)، محاسبات با مجموعه توانی فرضیه‌ها افزایش می‌یابد، و فرض استقلال بین منابع اغلب فقط تقریبی است. جایگزین‌ها/توسعه‌ها شامل شبکه‌های بیزی، مدل باور قابل انتقال، و سایر قوانین ترکیب تحمل‌کننده تعارض است.

محدودیت‌ها و ملاحظات

  • قانون دمپستر می تواند در تعارض بالا نتایج غیرمنتظره ای بدهد (پارادوکس زاد).
  • محاسبات با مجموعه توانی چارچوب مقیاس بندی می شود، برای فرضیه های زیاد پرهزینه است.
  • فرض می کند منابع مستقل هستند، که اغلب فقط به طور تقریبی درست است.
  • استخراج توابع جرم معنی دار در عمل می تواند دشوار باشد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • جهل را به صراحت از طریق جرم بر روی مجموعه‌ها، نه احتمالات واحد اجباری، نشان می‌دهد.
  • بازه های باور و قابلیت باور را ارائه می دهد که میزان ناشناخته بودن را کمی می کند.
  • قانون اصولی برای ترکیب شواهد از منابع مستقل متعدد ارائه می دهد.
  • احتمال بیزی را تعمیم می دهد و زمانی که تمام جرم بر روی تک تک فرضیه ها قرار می گیرد، آن را بازیابی می کند.

کاربردها

  • ترکیب داده های چند حسگر و چند منبعی برای طبقه بندی و تشخیص هدف.
  • سیستم های تشخیصی و پشتیبانی تصمیم گیری که شواهد نامطمئن کارشناس/آزمایش را ترکیب می کنند.
  • ارزیابی ریسک، قابلیت اطمینان و ایمنی با اطلاعات ناقص.
  • همپوشانی شواهد GIS و نقشه سازی مناسب بودن از لایه های ناهمگن.
  • رویکردهای استدلال شواهد در تحلیل تصمیم چند معیاره.

چگونه کار می‌کند

چگونه کار می‌کند

1

شواهد به صورت یک تخصیص احتمال پایه (تابع جرم) m بر روی زیرمجموعه‌های چارچوب تمایز Θ (مجموعه فرضیه‌های متقابلاً انحصاری) کدگذاری می‌شود. جرم را می‌توان بر روی هر زیرمجموعه‌ای قرار داد - از جمله کل چارچوب Θ، که نشان‌دهنده جهل کامل است - و مجموع جرم‌ها برابر با یک است، و مجموعه تهی جرم صفر را دریافت می‌کند.

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

از جرم‌ها، دو معیار برای هر فرضیه A مشتق می‌شود: باور Bel(A) مجموع جرم تمام زیرمجموعه‌هایی است که کاملاً درون A قرار دارند (شواهدی که کاملاً به A متعهد هستند)، در حالی که قابلیت باور Pl(A) مجموع جرم هر زیرمجموعه‌ای است که با A تقاطع دارد (شواهدی که حداقل با A سازگار هستند). این دو با هم بازه [Bel(A), Pl(A)] را تشکیل می‌دهند که عرض آن عدم قطعیت باقی‌مانده را کمی می‌کند.

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

قانون ترکیب دمپستر دو تابع جرم مستقل را ترکیب می‌کند: برای هر جفت مجموعه کانونی، جرم‌های آن‌ها را ضرب کرده و حاصل‌ضرب را به اشتراک آن‌ها اختصاص می‌دهد، سپس بر روی 1 - K نرمال‌سازی می‌کند، که در آن K مجموع جرمی است که بر روی مجموعه تهی افتاده است (تعارض بین منابع). نتیجه یک تابع جرم جدید است که شواهد جمع‌آوری شده را خلاصه می‌کند.

فرمول
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

تصمیم‌گیری‌ها از بازه باور-قابلیت باور استفاده می‌کنند - به عنوان مثال، انتخاب فرضیه‌ای با بالاترین باور، بالاترین قابلیت باور، یا بالاترین تبدیل پگنیستیک (شبیه به احتمال) جرم‌ها. بازه صریح به سیستم اجازه می‌دهد تا در زمانی که باور و قابلیت باور به شدت واگرا می‌شوند، تصمیم‌گیری را به تعویق بیندازد یا درخواست شواهد بیشتری کند.

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

دام‌های رایج

  • اعمال قانون دمپستر بر منابع بسیار متناقض بدون بررسی جرم تعارض K.
  • اشتباه گرفتن باور با احتمال - باور یک حد پایین است، نه یک تخمین نقطه ای.
  • نادیده گرفتن انفجار ترکیبی زمانی که چارچوب تمایز بزرگ است.
  • ترکیب منابع وابسته به گونه ای که گویی مستقل هستند، دو برابر کردن شواهد مشترک.

پرسش‌های متداول

تفاوت نظریه دمپستر-شافر با احتمال بیزی چگونه است؟

احتمال بیزی یک عدد واحد را به هر فرضیه اختصاص می دهد و به یک پیشین کامل نیاز دارد. دمپستر-شافر جرم را به مجموعه های فرضیه ها اختصاص می دهد، به آن اجازه می دهد تا جهل را مستقیماً نشان دهد، و هر فرضیه را با یک بازه باور-قابلیت باور خلاصه می کند. این رویکرد بیزی را تعمیم می دهد که زمانی بازیابی می شود که تمام جرم بر روی فرضیه های منفرد قرار گیرد.

باور و قابلیت باور چیستند؟

باور Bel(A) کل شواهدی است که کاملاً به A متعهد است (حد پایین احتمال آن)؛ قابلیت باور Pl(A) کل شواهدی است که صرفاً با A سازگار است (حد بالا). بازه [Bel(A), Pl(A)] پشتیبانی واقعی برای A را در بر می گیرد و عرض آن نشان دهنده میزان ناشناخته بودن است.

مشکل تعارض در قانون دمپستر چیست؟

هنگامی که دو منبع به شدت اختلاف نظر دارند، بیشتر جرم ترکیبی بر روی مجموعه تهی (تعارض K) می افتد. نرمال سازی آن می تواند نتایج غیرمنتظره ای به بار آورد - پارادوکس کلاسیک زاد. تعارض بالا نشان می دهد که قانون دمپستر ممکن است نامناسب باشد و قوانین ترکیب جایگزین یا بازبینی قابلیت اطمینان منبع را ایجاب می کند.

روش‌های مرتبط

منابع

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

    باز کردن مرجع DOI
    کپی شد.
  2. Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.

    شابک: 978-0-691-08175-5
    کپی شد.