Skip to content
Retour aux résultats

Théorie de Dempster-Shafer des évidences

Introduite par
Arthur P. Dempster & Glenn Shafer
Année
1976
Type
Uncertainty calculus for combining evidence
Famille
Evidence theory

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La théorie de Dempster-Shafer est un cadre mathématique pour le raisonnement sous incertitude qui généralise la probabilité bayésienne en représentant explicitement l'ignorance.

Au lieu de forcer une probabilité unique sur chaque hypothèse, elle attribue une masse de croyance à des ensembles d'hypothèses et en dérive un intervalle croyance-plausibilité, et elle fournit la règle de Dempster pour fusionner les évidences provenant de sources indépendantes multiples. Développée à partir des travaux d'Arthur Dempster en 1967 et de la monographie de Glenn Shafer en 1976, elle sous-tend le raisonnement évidentiel et la fusion de données de capteurs/décision.

L’intuition derrière la méthode

La probabilité bayésienne insiste pour que vous répartissiez entièrement votre croyance entre les hypothèses, même lorsque vous ne savez tout simplement pas — vous devez attribuer un nombre à chacune. Dempster-Shafer vous permet de dire 'j'ai une évidence pour A ou B mais je ne peux pas encore la diviser', en attribuant une masse à l'ensemble {A, B} plutôt qu'à A et B individuellement. À partir de ces masses, elle calcule deux bornes pour toute hypothèse : la croyance (la masse qui s'engage nécessairement envers elle) et la plausibilité (la masse qui ne l'exclut pas). L'écart entre elles mesure votre ignorance. Lorsqu'une seconde source d'évidence arrive, la règle de Dempster combine les deux en intersectant leurs ensembles focaux et en normalisant le conflit.

Histoire

Arthur Dempster a introduit les probabilités supérieure et inférieure induites par des applications multivaluées en 1967, et Glenn Shafer a reformulé et étendu cela en une théorie des évidences autonome dans son livre de 1976 A Mathematical Theory of Evidence, donnant les fonctions de croyance, la plausibilité et la règle de combinaison. Le cadre s'est répandu dans l'intelligence artificielle et la fusion d'informations sous le nom de 'raisonnement évidentiel', et des raffinements ultérieurs — le modèle de croyance transférable (Smets), des règles de combinaison alternatives pour le conflit, et l'approche de raisonnement évidentiel en MCDA — ont abordé ses difficultés connues tout en préservant son traitement explicite de l'ignorance.

Quand l’utiliser

Utilisez la théorie de Dempster-Shafer lorsque vous devez combiner des évidences incertaines, partielles ou conflictuelles provenant de sources multiples et que vous souhaitez représenter explicitement l'ignorance plutôt que d'assumer un a priori complet — typique dans la fusion de capteurs, la classification multi-sources, les systèmes de diagnostic et de reconnaissance de cibles, l'évaluation des risques et de la fiabilité, et la superposition d'évidences SIG. Elle est précieuse lorsque l'attribution de priors bayésiens précis est artificielle et lorsque distinguer 'aucune évidence' de 'évidence de non-existence' est important. Mises en garde : la règle de Dempster peut produire des résultats contre-intuitifs sous des conflits très élevés (paradoxe de Zadeh), le calcul croît avec l'ensemble des parties des hypothèses, et l'hypothèse d'indépendance entre les sources n'est souvent qu'approximative. Les alternatives/extensions incluent les réseaux bayésiens, le modèle de croyance transférable, et d'autres règles de combinaison tolérantes au conflit.

Limites et points d’attention

  • La règle de Dempster peut donner des résultats contre-intuitifs sous un conflit élevé (paradoxe de Zadeh).
  • Le calcul évolue avec l'ensemble des parties du cadre, coûteux pour de nombreuses hypothèses.
  • Suppose que les sources sont indépendantes, ce qui est souvent seulement approximativement vrai.
  • L'obtention de fonctions de masse significatives peut être difficile en pratique.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Représente explicitement l'ignorance via la masse sur des ensembles, et non des probabilités uniques forcées.
  • Fournit des bornes de croyance et de plausibilité qui quantifient la quantité d'inconnu.
  • Offre une règle principielle pour fusionner des évidences provenant de sources indépendantes multiples.
  • Généralise la probabilité bayésienne, la retrouvant lorsque toute la masse est sur des singletons.

Applications

  • Fusion de données multi-capteurs et multi-sources pour la classification et la reconnaissance de cibles.
  • Systèmes de diagnostic et de support à la décision combinant des évidences incertaines d'experts/tests.
  • Évaluation des risques, de la fiabilité et de la sécurité avec des informations incomplètes.
  • Superposition d'évidences SIG et cartographie d'adéquation à partir de couches hétérogènes.
  • Approches de raisonnement évidentiel en analyse multicritère de décision.

Comment ça marche

Comment ça marche

1

L'évidence est encodée comme une affectation de probabilité de base (fonction de masse) m sur les sous-ensembles du cadre de discernement Θ (l'ensemble des hypothèses mutuellement exclusives). La masse peut être placée sur n'importe quel sous-ensemble — y compris le cadre entier Θ, qui représente l'ignorance complète — et les masses somment à un, l'ensemble vide recevant zéro.

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

À partir des masses, deux mesures sont dérivées pour toute hypothèse A : la croyance Bel(A) somme la masse de tous les sous-ensembles entièrement contenus dans A (l'évidence qui s'engage entièrement envers A), tandis que la plausibilité Pl(A) somme la masse de chaque sous-ensemble qui intersecte A (l'évidence qui est au moins compatible avec A). Ensemble, elles forment l'intervalle [Bel(A), Pl(A)], dont la largeur quantifie l'incertitude restante.

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

La règle de combinaison de Dempster fusionne deux fonctions de masse indépendantes : pour chaque paire d'ensembles focaux, elle multiplie leurs masses et attribue le produit à leur intersection, puis normalise par 1 − K, où K est la masse totale tombée sur l'ensemble vide (le conflit entre les sources). Le résultat est une nouvelle fonction de masse résumant l'évidence combinée.

Formule
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

Les décisions utilisent l'intervalle croyance-plausibilité — par exemple, en choisissant l'hypothèse avec la croyance la plus élevée, la plausibilité la plus élevée, ou la transformée pignistique (semblable à une probabilité) la plus élevée des masses. L'intervalle explicite permet à un système de différer ou de demander plus d'évidence lorsque la croyance et la plausibilité divergent largement.

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

Pièges courants

  • Appliquer la règle de Dempster à des sources très conflictuelles sans vérifier la masse de conflit K.
  • Confondre la croyance avec la probabilité — la croyance est une borne inférieure, pas une estimation ponctuelle.
  • Ignorer le gonflement combinatoire lorsque le cadre de discernement est grand.
  • Combiner des sources dépendantes comme si elles étaient indépendantes, en comptant double l'évidence partagée.

Questions fréquentes

Comment la théorie de Dempster-Shafer diffère-t-elle de la probabilité bayésienne ?

La probabilité bayésienne attribue un nombre unique à chaque hypothèse et exige un a priori complet. Dempster-Shafer attribue une masse à des ensembles d'hypothèses, permettant de représenter directement l'ignorance, et résume chaque hypothèse par un intervalle croyance-plausibilité. Elle généralise l'approche bayésienne, qui est retrouvée lorsque toute la masse repose sur des singletons.

Que sont la croyance et la plausibilité ?

La croyance Bel(A) est l'évidence totale qui s'engage entièrement envers A (une borne inférieure de sa probabilité) ; la plausibilité Pl(A) est l'évidence totale simplement compatible avec A (une borne supérieure). L'intervalle [Bel(A), Pl(A)] encadre le support réel de A, et sa largeur reflète ce qui reste inconnu.

Quel est le problème du conflit dans la règle de Dempster ?

Lorsque deux sources divergent fortement, la majeure partie de la masse combinée tombe sur l'ensemble vide (le conflit K). Le normaliser peut donner des résultats contre-intuitifs — le paradoxe classique de Zadeh. Un conflit élevé signale que la règle de Dempster peut être inappropriée, motivant des règles de combinaison alternatives ou une révision de la fiabilité des sources.

Méthodes associées

Sources

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

    Ouvrir la référence DOI
    Copié.
  2. Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.

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