Teoria dowodów Dempstera-Shafera
- Autor metody
- Arthur P. Dempster & Glenn Shafer
- Rok
- 1976
- Typ
- Uncertainty calculus for combining evidence
- Rodzina
- Evidence theory
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Teoria Dempstera-Shafera to matematyczna struktura do wnioskowania w warunkach niepewności, która uogólnia prawdopodobieństwo bayesowskie poprzez jawne reprezentowanie niewiedzy.
Zamiast przypisywać pojedyncze prawdopodobieństwo każdej hipotezie, przypisuje ona masę wiarygodności zbiorom hipotez i wyprowadza przedział wiarygodności-wiarygodności (belief-plausibility interval), a także dostarcza regułę Dempstera do łączenia dowodów z wielu niezależnych źródeł. Opracowana na podstawie pracy Arthura Dempstera z 1967 roku i monografii Glenna Shafera z 1976 roku, stanowi podstawę wnioskowania ewidencyjnego oraz fuzji sensorów/decyzji.
Intuicja stojąca za metodą
Prawdopodobieństwo bayesowskie wymaga pełnego rozłożenia wiarygodności na wszystkie hipotezy, nawet gdy po prostu się nie wie — należy przypisać liczbę każdej z nich. Teoria Dempstera-Shafera pozwala powiedzieć: „Mam dowody na A lub B, ale nie mogę ich jeszcze rozdzielić”, przypisując masę zbiorowi {A, B} zamiast indywidualnie A i B. Na podstawie tych mas oblicza dwie granice dla każdej hipotezy: belief (wsparcie, które koniecznie się do niej odnosi) i plausibility (wsparcie, które jej nie wyklucza). Luka między nimi mierzy niewiedzę. Gdy pojawia się drugie źródło dowodów, reguła Dempstera łączy je, przecinając ich zbiory ogniskowe i renormalizując konflikt.
Historia
Arthur Dempster wprowadził górne i dolne prawdopodobieństwa indukowane przez odwzorowania wielowartościowe w 1967 roku, a Glenn Shafer przekształcił i rozszerzył to w samodzielną teorię dowodów w swojej książce „A Mathematical Theory of Evidence” z 1976 roku, przedstawiając funkcje wiarygodności (belief functions), plausibility i regułę kombinacji. Struktura ta rozpowszechniła się w sztucznej inteligencji i fuzji informacji jako „wnioskowanie ewidencyjne” (evidential reasoning), a późniejsze udoskonalenia — model wiarygodności przenoszalnej (Smets), alternatywne reguły kombinacji dla konfliktu oraz podejście wnioskowania ewidencyjnego w wielokryterialnym wspomaganiu decyzji (MCDM) — rozwiązały jej znane trudności, zachowując jednocześnie jawne traktowanie niewiedzy.
Kiedy stosować
Stosuj teorię Dempstera-Shafera, gdy musisz połączyć niepewne, częściowe lub sprzeczne dowody z wielu źródeł i chcesz jawnie reprezentować niewiedzę, zamiast zakładać pełne prawdopodobieństwo a priori — typowe w fuzji sensorów, klasyfikacji wieloźródłowej, systemach diagnostycznych i rozpoznawania celów, ocenie ryzyka i niezawodności oraz nakładaniu dowodów w GIS. Jest to cenne, gdy przypisywanie precyzyjnych prawdopodobieństw a priori w ujęciu bayesowskim jest sztuczne i gdy ważne jest rozróżnienie między „brakiem dowodów” a „dowodami na brak”. Ostrzeżenia: reguła Dempstera może prowadzić do sprzecznych z intuicją wyników w przypadku silnie sprzecznych źródeł (paradoks Zadeha), obliczenia rosną wraz z potęgowym zbiorem hipotez, a założenie niezależności między źródłami jest często tylko przybliżone. Alternatywy/rozszerzenia obejmują sieci bayesowskie, model wiarygodności przenoszalnej (transferable belief model) i inne reguły kombinacji tolerujące konflikt.
Ograniczenia i uwagi
- Reguła Dempstera może dawać sprzeczne z intuicją wyniki w przypadku silnego konfliktu (paradoks Zadeha).
- Obliczenia skalują się z potęgowym zbiorem ram odniesienia, co jest kosztowne dla wielu hipotez.
- Zakłada niezależność źródeł, co często jest tylko w przybliżeniu prawdziwe.
- Wyprowadzenie sensownych funkcji masy może być trudne w praktyce.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Jawnie reprezentuje niewiedzę poprzez masę na zbiorach, a nie wymuszone pojedyncze prawdopodobieństwa.
- Dostarcza granice belief i plausibility, które kwantyfikują, ile jest nieznane.
- Oferuje ugruntowaną regułę łączenia dowodów z wielu niezależnych źródeł.
- Uogólnia prawdopodobieństwo bayesowskie, odzyskując je, gdy cała masa spoczywa na singletonach.
Zastosowania
- Fuzja danych z wielu sensorów i źródeł do klasyfikacji i rozpoznawania celów.
- Systemy diagnostyczne i wspomagania decyzji łączące niepewne dowody eksperckie/testowe.
- Ocena ryzyka, niezawodności i bezpieczeństwa z niekompletnymi informacjami.
- Nakładanie dowodów w GIS i mapowanie przydatności z heterogenicznych warstw.
- Podejścia wnioskowania ewidencyjnego w wielokryterialnej analizie decyzji.
Jak to działa
Jak to działa
Dowody są kodowane jako podstawowe przypisanie prawdopodobieństwa (funkcja masy) m dla podzbiorów ram odniesienia Θ (zbioru wzajemnie wykluczających się hipotez). Masę można umieścić na dowolnym podzbiorze — włączając w to całe ramy Θ, co reprezentuje całkowitą niewiedzę — a sumy mas wynoszą jeden, przy czym zbiór pusty otrzymuje zero.
Wzór
m: 2^{\Theta} \to [0,1],\quad m(\emptyset)=0,\ \sum_{A \subseteq \Theta} m(A) = 1Na podstawie mas wyprowadzane są dwie miary dla każdej hipotezy A: belief Bel(A) sumuje masę wszystkich podzbiorów całkowicie zawartych w A (dowody, które w pełni potwierdzają A), podczas gdy plausibility Pl(A) sumuje masę każdego podzbioru, który przecina A (dowody, które są przynajmniej zgodne z A). Razem tworzą one przedział [Bel(A), Pl(A)], którego szerokość kwantyfikuje pozostałą niepewność.
Wzór
\text{Bel}(A) = \sum_{B \subseteq A} m(B),\quad \text{Pl}(A) = \sum_{B \cap A \neq \emptyset} m(B)Reguła kombinacji Dempstera łączy dwie niezależne funkcje masy: dla każdej pary zbiorów ogniskowych mnoży ich masy i przypisuje iloczyn ich przecięciu, a następnie normalizuje przez 1 − K, gdzie K jest całkowitą masą, która przypadła na zbiór pusty (konflikt między źródłami). Wynikiem jest nowa funkcja masy podsumowująca zgromadzone dowody.
Wzór
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)Decyzje wykorzystują przedział belief-plausibility — na przykład wybierając hipotezę z najwyższym belief, najwyższym plausibility lub najwyższą pignistyczną (podobną do prawdopodobieństwa) transformacją mas. Jawny przedział pozwala systemowi odroczyć lub zażądać więcej dowodów, gdy belief i plausibility znacznie się różnią.
Wzór
[\text{Bel}(A),\ \text{Pl}(A)]\ \text{= belief interval for } ACzęste pułapki
- Stosowanie reguły Dempstera do silnie sprzecznych źródeł bez sprawdzania masy konfliktu K.
- Mylenie belief z prawdopodobieństwem — belief jest dolną granicą, a nie estymacją punktową.
- Ignorowanie kombinatorycznego wzrostu, gdy ramy odniesienia są duże.
- Łączenie zależnych źródeł tak, jakby były niezależne, podwójnie licząc wspólne dowody.
Najczęściej zadawane pytania
Czym różni się teoria Dempstera-Shafera od prawdopodobieństwa bayesowskiego?
Prawdopodobieństwo bayesowskie przypisuje pojedynczą liczbę każdej hipotezie i wymaga pełnego prawdopodobieństwa a priori. Teoria Dempstera-Shafera przypisuje masę zbiorom hipotez, co pozwala jej bezpośrednio reprezentować niewiedzę, i podsumowuje każdą hipotezę za pomocą przedziału belief-plausibility. Uogólnia ona podejście bayesowskie, które jest odzyskiwane, gdy cała masa spoczywa na pojedynczych hipotezach.
Czym są belief i plausibility?
Belief Bel(A) to całkowite dowody, które w pełni potwierdzają A (dolna granica jego prawdopodobieństwa); plausibility Pl(A) to całkowite dowody jedynie zgodne z A (górna granica). Przedział [Bel(A), Pl(A)] obejmuje prawdziwe wsparcie dla A, a jego szerokość odzwierciedla, ile pozostaje nieznane.
Na czym polega problem konfliktu w regule Dempstera?
Gdy dwa źródła silnie się nie zgadzają, większość połączonej masy przypada na zbiór pusty (konflikt K). Normalizacja tego konfliktu może prowadzić do sprzecznych z intuicją wyników — klasyczny paradoks Zadeha. Wysoki konflikt sygnalizuje, że reguła Dempstera może być nieodpowiednia, co motywuje do stosowania alternatywnych reguł kombinacji lub przeglądu wiarygodności źródeł.
Pokrewne metody
Źródła
Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339.
Otwórz odnośnik DOISkopiowano.Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.
ISBN: 978-0-691-08175-5Skopiowano.