Teori Bukti Dempster-Shafer
- Diperkenalkan oleh
- Arthur P. Dempster & Glenn Shafer
- Tahun
- 1976
- Jenis
- Uncertainty calculus for combining evidence
- Keluarga
- Evidence theory
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Teori Dempster-Shafer adalah kerangka kerja matematis untuk penalaran di bawah ketidakpastian yang menggeneralisasi probabilitas Bayesian dengan merepresentasikan ketidaktahuan secara eksplisit.
Alih-alih memaksakan probabilitas tunggal pada setiap hipotesis, teori ini menetapkan massa keyakinan pada himpunan hipotesis dan menurunkan interval keyakinan-kelayakan, serta menyediakan aturan Dempster untuk menggabungkan bukti dari berbagai sumber independen. Dikembangkan dari karya Arthur Dempster tahun 1967 dan monograf Glenn Shafer tahun 1976, teori ini mendasari penalaran evisial dan fusi sensor/keputusan.
Intuisi di balik metode
Probabilitas Bayesian mengharuskan Anda membagi keyakinan Anda sepenuhnya di antara hipotesis, bahkan ketika Anda tidak tahu — Anda harus memberikan angka pada setiap hipotesis. Dempster-Shafer memungkinkan Anda mengatakan 'Saya memiliki bukti untuk A-atau-B tetapi belum dapat membaginya', dengan menetapkan massa pada himpunan {A, B} daripada pada A dan B secara individual. Dari massa ini, teori ini menghitung dua batas untuk hipotesis apa pun: keyakinan (dukungan yang secara inheren mengikatnya) dan kelayakan (dukungan yang tidak menolaknya). Jarak di antara keduanya mengukur ketidaktahuan Anda. Ketika sumber bukti kedua tiba, aturan Dempster menggabungkan keduanya dengan menginterseksikan himpunan fokus mereka dan menormalisasi konflik yang ada.
Sejarah
Arthur Dempster memperkenalkan probabilitas atas dan bawah yang diinduksi oleh pemetaan bernilai ganda pada tahun 1967, dan Glenn Shafer menyusun ulang serta memperluasnya menjadi teori bukti yang mandiri dalam bukunya tahun 1976 A Mathematical Theory of Evidence, memberikan fungsi keyakinan, kelayakan, dan aturan kombinasi. Kerangka kerja ini menyebar melalui kecerdasan buatan dan fusi informasi sebagai 'penalaran evisial', dan penyempurnaan selanjutnya — model keyakinan yang dapat ditransfer (Smets), aturan kombinasi alternatif untuk konflik, dan pendekatan penalaran evisial dalam MCDM — mengatasi kesulitan yang diketahui sambil mempertahankan perlakuan eksplisit terhadap ketidaktahuan.
Kapan digunakan
Gunakan teori Dempster-Shafer ketika Anda harus menggabungkan bukti yang tidak pasti, parsial, atau bertentangan dari berbagai sumber dan ingin merepresentasikan ketidaktahuan secara eksplisit daripada mengasumsikan prior penuh — tipikal dalam fusi sensor, klasifikasi multi-sumber, sistem diagnostik dan pengenalan target, penilaian risiko dan keandalan, serta overlay bukti GIS. Teori ini berharga ketika menetapkan prior Bayesian yang tepat bersifat artifisial dan ketika membedakan 'tidak ada bukti' dari 'bukti ketiadaan' itu penting. Peringatan: Aturan Dempster dapat menghasilkan hasil yang kontra-intuitif di bawah konflik yang sangat tinggi (paradoks Zadeh), komputasi meningkat seiring dengan himpunan kuasa hipotesis, dan asumsi independensi antar sumber sering kali hanya perkiraan. Alternatif/ekstensi meliputi jaringan Bayesian, model keyakinan yang dapat ditransfer, dan aturan kombinasi toleran konflik lainnya.
Batasan dan pertimbangan
- Aturan Dempster dapat memberikan hasil yang kontra-intuitif di bawah konflik tinggi (paradoks Zadeh).
- Komputasi berskala dengan himpunan kuasa kerangka, mahal untuk banyak hipotesis.
- Mengasumsikan sumber independen, yang sering kali hanya perkiraan.
- Menggali fungsi massa yang bermakna bisa sulit dalam praktik.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Merepresentasikan ketidaktahuan secara eksplisit melalui massa pada himpunan, bukan probabilitas tunggal yang dipaksakan.
- Menyediakan batas keyakinan dan kelayakan yang mengukur seberapa banyak yang tidak diketahui.
- Menawarkan aturan yang berprinsip untuk menggabungkan bukti dari berbagai sumber independen.
- Menggeneralisasi probabilitas Bayesian, memulihkannya ketika semua massa berada pada singleton.
Penerapan
- Fusi data multi-sensor dan multi-sumber untuk klasifikasi dan pengenalan target.
- Sistem diagnostik dan pendukung keputusan yang menggabungkan bukti ahli/uji yang tidak pasti.
- Penilaian risiko, keandalan, dan keselamatan dengan informasi yang tidak lengkap.
- Overlay bukti GIS dan pemetaan kesesuaian dari lapisan heterogen.
- Pendekatan penalaran evisial dalam analisis keputusan multi-kriteria.
Cara kerjanya
Cara kerjanya
Bukti dikodekan sebagai penugasan probabilitas dasar (fungsi massa) m atas subset dari kerangka diskriminasi Θ (himpunan hipotesis yang saling eksklusif). Massa dapat ditempatkan pada subset apa pun — termasuk seluruh kerangka Θ, yang merepresentasikan ketidaktahuan total — dan jumlah massa adalah satu, dengan himpunan kosong mendapatkan nol.
Rumus
m: 2^{\Theta} \to [0,1],\quad m(\emptyset)=0,\ \sum_{A \subseteq \Theta} m(A) = 1Dari massa, dua ukuran diturunkan untuk hipotesis A apa pun: keyakinan Bel(A) menjumlahkan massa semua subset yang sepenuhnya berada di dalam A (bukti yang sepenuhnya mengikat A), sementara kelayakan Pl(A) menjumlahkan massa setiap subset yang beririsan dengan A (bukti yang setidaknya kompatibel dengan A). Bersama-sama, keduanya membentuk interval [Bel(A), Pl(A)], yang lebarnya mengukur ketidakpastian yang tersisa.
Rumus
\text{Bel}(A) = \sum_{B \subseteq A} m(B),\quad \text{Pl}(A) = \sum_{B \cap A \neq \emptyset} m(B)Aturan kombinasi Dempster menggabungkan dua fungsi massa independen: untuk setiap pasangan himpunan fokus, teori ini mengalikan massa mereka dan menetapkan hasil perkalian ke irisan mereka, kemudian menormalisasi dengan 1 − K, di mana K adalah total massa yang jatuh pada himpunan kosong (konflik antara sumber). Hasilnya adalah fungsi massa baru yang merangkum bukti gabungan.
Rumus
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)Keputusan menggunakan interval keyakinan-kelayakan — misalnya, memilih hipotesis dengan keyakinan tertinggi, kelayakan tertinggi, atau transformasi pignistik (seperti probabilitas) tertinggi dari massa. Interval eksplisit memungkinkan sistem untuk menunda atau meminta bukti lebih lanjut ketika keyakinan dan kelayakan sangat berbeda.
Rumus
[\text{Bel}(A),\ \text{Pl}(A)]\ \text{= belief interval for } AKesalahan umum
- Menerapkan aturan Dempster pada sumber yang sangat bertentangan tanpa memeriksa massa konflik K.
- Mencampuradukkan keyakinan dengan probabilitas — keyakinan adalah batas bawah, bukan estimasi titik.
- Mengabaikan ledakan kombinatorial ketika kerangka diskriminasi besar.
- Menggabungkan sumber dependen seolah-olah independen, menghitung ganda bukti bersama.
Pertanyaan yang sering diajukan
Bagaimana Dempster-Shafer berbeda dari probabilitas Bayesian?
Probabilitas Bayesian menetapkan satu angka untuk setiap hipotesis dan memerlukan prior penuh. Dempster-Shafer menetapkan massa ke himpunan hipotesis, memungkinkannya merepresentasikan ketidaktahuan secara langsung, dan merangkum setiap hipotesis dengan interval keyakinan-kelayakan. Teori ini menggeneralisasi pendekatan Bayesian, yang dipulihkan ketika semua massa berada pada hipotesis tunggal.
Apa itu keyakinan dan kelayakan?
Keyakinan Bel(A) adalah total bukti yang sepenuhnya mengikat A (batas bawah probabilitasnya); kelayakan Pl(A) adalah total bukti yang sekadar kompatibel dengan A (batas atas). Interval [Bel(A), Pl(A)] membingkai dukungan sebenarnya untuk A, dan lebarnya mencerminkan seberapa banyak yang tidak diketahui.
Apa masalah konflik dalam aturan Dempster?
Ketika dua sumber sangat tidak setuju, sebagian besar massa gabungan jatuh pada himpunan kosong (konflik K). Menormalisasinya dapat menghasilkan hasil yang kontra-intuitif — paradoks klasik Zadeh. Konflik tinggi menandakan bahwa aturan Dempster mungkin tidak sesuai, memotivasi aturan kombinasi alternatif atau peninjauan keandalan sumber.
Metode terkait
Sumber
Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339.
Buka referensi DOIDisalin.Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.
ISBN: 978-0-691-08175-5Disalin.