Teoria di Dempster-Shafer dell'Evidenza
- Introdotto da
- Arthur P. Dempster & Glenn Shafer
- Anno
- 1976
- Tipo
- Uncertainty calculus for combining evidence
- Famiglia
- Evidence theory
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
La teoria di Dempster-Shafer è un quadro matematico per il ragionamento in condizioni di incertezza che generalizza la probabilità Bayesiana rappresentando esplicitamente l'ignoranza.
Invece di forzare una singola probabilità su ciascuna ipotesi, assegna massa di credibilità a insiemi di ipotesi e deriva un intervallo di credibilità-plausibilità, fornendo la regola di Dempster per la fusione di evidenze da molteplici fonti indipendenti. Sviluppata dal lavoro di Arthur Dempster del 1967 e dalla monografia di Glenn Shafer del 1976, è alla base del ragionamento evidenziale e della fusione di sensori/decisioni.
L’intuizione alla base del metodo
La probabilità Bayesiana insiste nel dividere completamente la propria credibilità tra le ipotesi, anche quando semplicemente non si sa — si deve assegnare un numero a ciascuna. Dempster-Shafer permette di dire 'ho evidenza per A o B ma non posso ancora dividerla', assegnando massa all'insieme {A, B} piuttosto che ad A e B individualmente. Da queste masse calcola due limiti per qualsiasi ipotesi: credibilità (la massa che vi si impegna necessariamente) e plausibilità (la massa che non la esclude). Il divario tra di essi misura la propria ignoranza. Quando arriva una seconda fonte di evidenza, la regola di Dempster combina le due intersecando i loro insiemi focali e normalizzando il conflitto.
Storia
Arthur Dempster introdusse probabilità superiori e inferiori indotte da mappature multivalore nel 1967, e Glenn Shafer le rielaborò ed estese in una teoria dell'evidenza autonoma nel suo libro del 1976 A Mathematical Theory of Evidence, dando funzioni di credibilità, plausibilità e la regola di combinazione. Il quadro si diffuse nell'intelligenza artificiale e nella fusione di informazioni come 'ragionamento evidenziale', e successivi affinamenti — il modello di credibilità trasferibile (Smets), regole di combinazione alternative per il conflitto, e l'approccio del ragionamento evidenziale nell'MCDM — affrontarono le sue difficoltà note preservando il suo trattamento esplicito dell'ignoranza.
Quando usarlo
Utilizzare la teoria di Dempster-Shafer quando si devono combinare evidenze incerte, parziali o conflittuali da molteplici fonti e si vuole rappresentare esplicitamente l'ignoranza piuttosto che assumere un prior completo — tipico nella fusione di sensori, classificazione multi-sorgente, sistemi diagnostici e di riconoscimento bersagli, valutazione di rischio e affidabilità, e sovrapposizione di evidenze GIS. È preziosa quando l'assegnazione di prior Bayesiani precisi è artificiale e quando 'nessuna evidenza' è distinta da 'evidenza di assenza'. Avvertenze: la regola di Dempster può produrre risultati controintuitivi in presenza di fonti altamente conflittuali (paradosso di Zadeh), il calcolo cresce con il power set delle ipotesi, e l'assunzione di indipendenza tra le fonti è spesso solo approssimativa. Alternative/estensioni includono reti Bayesiane, il modello di credibilità trasferibile e altre regole di combinazione tolleranti al conflitto.
Limiti e considerazioni
- La regola di Dempster può dare risultati controintuitivi in caso di alto conflitto (paradosso di Zadeh).
- Il calcolo scala con il power set del quadro, costoso per molte ipotesi.
- Assume che le fonti siano indipendenti, il che è spesso solo approssimativamente vero.
- Ottenere funzioni di massa significative può essere difficile in pratica.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Rappresenta esplicitamente l'ignoranza tramite massa su insiemi, non probabilità forzate singole.
- Fornisce limiti di credibilità e plausibilità che quantificano quanto è sconosciuto.
- Offre una regola principiale per la fusione di evidenze da molteplici fonti indipendenti.
- Generalizza la probabilità Bayesiana, recuperandola quando tutta la massa è su singoletti.
Applicazioni
- Fusione di dati multi-sensore e multi-sorgente per classificazione e riconoscimento bersagli.
- Sistemi diagnostici e di supporto decisionale che combinano evidenze incerte di esperti/test.
- Valutazione di rischio, affidabilità e sicurezza con informazioni incomplete.
- Sovrapposizione di evidenze GIS e mappatura di idoneità da layer eterogenei.
- Approcci di ragionamento evidenziale nell'analisi decisionale multi-criterio.
Come funziona
Come funziona
L'evidenza è codificata come una funzione di massa di probabilità di base (funzione di massa) m su sottoinsiemi del quadro di discernimento Θ (l'insieme delle ipotesi mutuamente esclusive). La massa può essere posta su qualsiasi sottoinsieme — incluso l'intero quadro Θ, che rappresenta l'ignoranza completa — e le masse sommano a uno, con l'insieme vuoto che riceve zero.
Formula
m: 2^{\Theta} \to [0,1],\quad m(\emptyset)=0,\ \sum_{A \subseteq \Theta} m(A) = 1Dalle masse, vengono derivate due misure per qualsiasi ipotesi A: la credibilità Bel(A) somma la massa di tutti i sottoinsiemi interamente contenuti in A (l'evidenza che si impegna completamente per A), mentre la plausibilità Pl(A) somma la massa di ogni sottoinsieme che interseca A (l'evidenza che è almeno compatibile con A). Insieme formano l'intervallo [Bel(A), Pl(A)], la cui ampiezza quantifica l'incertezza residua.
Formula
\text{Bel}(A) = \sum_{B \subseteq A} m(B),\quad \text{Pl}(A) = \sum_{B \cap A \neq \emptyset} m(B)La regola di combinazione di Dempster fonde due funzioni di massa indipendenti: per ogni coppia di insiemi focali moltiplica le loro masse e assegna il prodotto alla loro intersezione, quindi normalizza per 1 − K, dove K è la massa totale caduta sull'insieme vuoto (il conflitto tra le fonti). Il risultato è una nuova funzione di massa che riassume l'evidenza aggregata.
Formula
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)Le decisioni utilizzano l'intervallo credibilità-plausibilità — ad esempio, scegliendo l'ipotesi con la credibilità più alta, la plausibilità più alta, o la trasformazione pignistica (simile a una probabilità) più alta delle masse. L'intervallo esplicito consente a un sistema di ritardare o richiedere ulteriori evidenze quando credibilità e plausibilità divergono ampiamente.
Formula
[\text{Bel}(A),\ \text{Pl}(A)]\ \text{= belief interval for } AErrori comuni
- Applicare la regola di Dempster a fonti altamente conflittuali senza controllare la massa di conflitto K.
- Confondere credibilità con probabilità — la credibilità è un limite inferiore, non una stima puntuale.
- Ignorare il blow-up combinatorio quando il quadro di discernimento è grande.
- Combinare fonti dipendenti come se fossero indipendenti, contando due volte l'evidenza condivisa.
Domande frequenti
In che modo la teoria di Dempster-Shafer differisce dalla probabilità Bayesiana?
La probabilità Bayesiana assegna un singolo numero a ciascuna ipotesi e richiede un prior completo. Dempster-Shafer assegna massa a insiemi di ipotesi, permettendo di rappresentare direttamente l'ignoranza, e riassume ciascuna ipotesi con un intervallo credibilità-plausibilità. Generalizza l'approccio Bayesiano, che viene recuperato quando tutta la massa si concentra su singoletti.
Cosa sono credibilità e plausibilità?
La credibilità Bel(A) è l'evidenza totale che si impegna completamente per A (un limite inferiore alla sua probabilità); la plausibilità Pl(A) è l'evidenza totale semplicemente compatibile con A (un limite superiore). L'intervallo [Bel(A), Pl(A)] racchiude il supporto reale per A, e la sua ampiezza riflette quanto rimane sconosciuto.
Qual è il problema del conflitto nella regola di Dempster?
Quando due fonti discordano fortemente, la maggior parte della massa combinata cade sull'insieme vuoto (il conflitto K). Normalizzarlo via può produrre risultati controintuitivi — il classico paradosso di Zadeh. Un alto conflitto segnala che la regola di Dempster potrebbe essere inappropriata, motivando regole di combinazione alternative o una revisione dell'affidabilità delle fonti.
Metodi correlati
Fonti
Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339.
Apri il riferimento DOICopiato.Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.
ISBN: 978-0-691-08175-5Copiato.