Skip to content
กลับไปยังผลการค้นหา

ทฤษฎีหลักฐานของ Dempster-Shafer

ผู้เสนอ
Arthur P. Dempster & Glenn Shafer
ปี
1976
ประเภท
Uncertainty calculus for combining evidence
กลุ่มวิธี
Evidence theory

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

ทฤษฎี Dempster-Shafer เป็นกรอบการทำงานทางคณิตศาสตร์สำหรับการให้เหตุผลภายใต้ความไม่แน่นอน ซึ่งเป็นการขยายแนวคิดความน่าจะเป็นแบบเบย์โดยการแสดงความไม่รู้ไว้อย่างชัดเจน แทนที่จะกำหนดความน่าจะเป็นเดียวให้กับแต่ละสมมติฐาน ทฤษฎีนี้จะกำหนดมวลความเชื่อ (belief mass) ให้กับชุดของสมมติฐาน และได้ช่วงความเชื่อ-ความเป็นไปได้ (belief-plausibility interval) นอกจากนี้ยังนำเสนอหลักเกณฑ์ของ Dempster สำหรับการรวมหลักฐานจากแหล่งข้อมูลอิสระหลายแหล่ง ทฤษฎีนี้พัฒนาขึ้นจากผลงานของ Arthur Dempster ในปี 1967 และเอกสารวิชาการของ Glenn Shafer ในปี 1976 ซึ่งเป็นรากฐานของการให้เหตุผลเชิงประจักษ์และการหลอมรวมข้อมูลจากเซ็นเซอร์/การตัดสินใจ

แนวคิดเบื้องหลังวิธีการ

ความน่าจะเป็นแบบเบย์ยืนยันว่าคุณต้องแบ่งความเชื่อของคุณอย่างเต็มที่ในสมมติฐานต่างๆ แม้ว่าคุณจะไม่ทราบก็ตาม คุณต้องกำหนดตัวเลขให้กับแต่ละสมมติฐาน แต่ Dempster-Shafer อนุญาตให้คุณกล่าวว่า 'ฉันมีหลักฐานสำหรับ A-หรือ-B แต่ยังไม่สามารถแยกแยะได้' โดยการกำหนดมวลให้กับเซต {A, B} แทนที่จะเป็น A และ B แยกกัน จากมวลเหล่านี้ ทฤษฎีจะคำนวณขอบเขตสองค่าสำหรับสมมติฐานใดๆ ได้แก่ ความเชื่อ (belief) ซึ่งคือการสนับสนุนที่จำเป็นต้องผูกมัดกับสมมติฐานนั้น และความเป็นไปได้ (plausibility) ซึ่งคือการสนับสนุนที่ไม่ตัดสมมติฐานนั้นออกไป ช่องว่างระหว่างสองค่านี้วัดระดับความไม่รู้ของคุณ เมื่อได้รับหลักฐานจากแหล่งที่สอง หลักเกณฑ์ของ Dempster จะรวมหลักฐานทั้งสองโดยการหาจุดตัดของเซตโฟกัส (focal sets) และปรับค่าใหม่เพื่อขจัดความขัดแย้งออกไป

ประวัติศาสตร์

Arthur Dempster ได้นำเสนอความน่าจะเป็นบนและล่างที่เกิดจากการแมปแบบหลายค่าในปี 1967 และ Glenn Shafer ได้นำมาปรับปรุงและขยายให้เป็นทฤษฎีหลักฐานที่สมบูรณ์ในหนังสือของเขาในปี 1976 ชื่อ A Mathematical Theory of Evidence โดยให้ฟังก์ชันความเชื่อ ความเป็นไปได้ และหลักเกณฑ์การรวมกัน กรอบการทำงานนี้แพร่หลายในสาขาปัญญาประดิษฐ์และการหลอมรวมข้อมูลในชื่อ 'การให้เหตุผลเชิงประจักษ์' (evidential reasoning) และการปรับปรุงในภายหลัง เช่น แบบจำลองความเชื่อที่ถ่ายทอดได้ (transferetsable belief model) (Smets) หลักเกณฑ์การรวมกันทางเลือกสำหรับความขัดแย้ง และแนวทางการให้เหตุผลเชิงประจักษ์ในการวิเคราะห์การตัดสินใจหลายเกณฑ์ (MCDM) ได้แก้ไขปัญหาที่ทราบกันดีในขณะที่ยังคงรักษาการจัดการความไม่รู้ไว้อย่างชัดเจน

ควรใช้เมื่อใด

ใช้ทฤษฎี Dempster-Shafer เมื่อคุณต้องรวมหลักฐานที่ไม่แน่นอน บางส่วน หรือขัดแย้งกันจากหลายแหล่ง และต้องการแสดงความไม่รู้ไว้อย่างชัดเจน แทนที่จะสมมติว่ามีค่าความน่าจะเป็นก่อนหน้า (prior) ที่สมบูรณ์ ซึ่งเป็นเรื่องปกติในการหลอมรวมข้อมูลจากเซ็นเซอร์ การจำแนกประเภทจากหลายแหล่ง ระบบวินิจฉัยและจดจำเป้าหมาย การประเมินความเสี่ยงและความน่าเชื่อถือ และการซ้อนทับหลักฐานในระบบสารสนเทศภูมิศาสตร์ (GIS) ทฤษฎีนี้มีคุณค่าเมื่อการกำหนดค่าความน่าจะเป็นก่อนหน้าแบบเบย์ที่แม่นยำเป็นเรื่องที่ไม่เป็นธรรมชาติ และเมื่อการแยกแยะระหว่าง 'ไม่มีหลักฐาน' กับ 'หลักฐานของความไม่มี' มีความสำคัญ ข้อควรระวัง: หลักเกณฑ์ของ Dempster อาจให้ผลลัพธ์ที่ขัดกับสัญชาตญาณภายใต้แหล่งข้อมูลที่มีความขัดแย้งสูง (Zadeh's paradox) การคำนวณจะเพิ่มขึ้นตามพาวเวอร์เซตของสมมติฐาน และข้อสมมติฐานความเป็นอิสระระหว่างแหล่งข้อมูลมักจะเป็นเพียงค่าประมาณเท่านั้น ทางเลือก/ส่วนขยาย ได้แก่ เครือข่ายเบย์ (Bayesian networks) แบบจำลองความเชื่อที่ถ่ายทอดได้ (transferable belief model) และหลักเกณฑ์การรวมกันที่ทนทานต่อความขัดแย้งอื่นๆ

ข้อจำกัดและข้อควรพิจารณา

  • หลักเกณฑ์ของ Dempster อาจให้ผลลัพธ์ที่ขัดกับสัญชาตญาณภายใต้ความขัดแย้งสูง (Zadeh's paradox)
  • การคำนวณจะเพิ่มขึ้นตามพาวเวอร์เซตของกรอบการจำแนก ซึ่งมีค่าใช้จ่ายสูงสำหรับสมมติฐานจำนวนมาก
  • สมมติว่าแหล่งข้อมูลเป็นอิสระ ซึ่งมักจะเป็นจริงโดยประมาณเท่านั้น
  • การดึงฟังก์ชันมวลที่มีความหมายอาจเป็นเรื่องยากในทางปฏิบัติ

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • แสดงความไม่รู้ไว้อย่างชัดเจนผ่านมวลบนเซต ไม่ใช่ความน่าจะเป็นเดียวที่ถูกบังคับ
  • ให้ขอบเขตความเชื่อและความเป็นไปได้ที่ระบุปริมาณของสิ่งที่ไม่ทราบ
  • นำเสนอหลักเกณฑ์ที่เป็นหลักการสำหรับการหลอมรวมหลักฐานจากแหล่งข้อมูลอิสระหลายแหล่ง
  • ขยายแนวคิดความน่าจะเป็นแบบเบย์ โดยจะกลับไปเป็นแบบเบย์เมื่อมวลทั้งหมดอยู่บนซิงเกิลตัน (singletons)

การประยุกต์ใช้

  • การหลอมรวมข้อมูลจากหลายเซ็นเซอร์และหลายแหล่งสำหรับการจำแนกประเภทและการจดจำเป้าหมาย
  • ระบบวินิจฉัยและสนับสนุนการตัดสินใจที่รวมหลักฐานผู้เชี่ยวชาญ/การทดสอบที่ไม่แน่นอน
  • การประเมินความเสี่ยง ความน่าเชื่อถือ และความปลอดภัยด้วยข้อมูลที่ไม่สมบูรณ์
  • การซ้อนทับหลักฐานในระบบสารสนเทศภูมิศาสตร์ (GIS) และการทำแผนที่ความเหมาะสมจากชั้นข้อมูลที่หลากหลาย
  • แนวทางการให้เหตุผลเชิงประจักษ์ในการวิเคราะห์การตัดสินใจหลายเกณฑ์

วิธีการทำงาน

วิธีการทำงาน

1

หลักฐานจะถูกเข้ารหัสเป็นฟังก์ชันการกำหนดความน่าจะเป็นพื้นฐาน (basic probability assignment หรือ mass function) m บนเซตย่อยของกรอบการจำแนก (frame of discernment) Θ (ซึ่งคือเซตของสมมติฐานที่แยกจากกันโดยสมบูรณ์) มวลสามารถวางบนเซตย่อยใดๆ ก็ได้ รวมถึงกรอบทั้งหมด Θ ซึ่งแสดงถึงความไม่รู้โดยสมบูรณ์ และผลรวมของมวลทั้งหมดเท่ากับหนึ่ง โดยที่เซตว่างมีค่าเป็นศูนย์

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

จากมวลต่างๆ จะมีการวัดสองค่าสำหรับสมมติฐาน A ใดๆ: ความเชื่อ Bel(A) คือผลรวมของมวลของเซตย่อยทั้งหมดที่อยู่ภายใน A โดยสมบูรณ์ (หลักฐานที่ผูกมัดกับ A อย่างเต็มที่) ในขณะที่ความเป็นไปได้ Pl(A) คือผลรวมของมวลของทุกเซตย่อยที่ตัดกับ A (หลักฐานที่เข้ากันได้กับ A อย่างน้อยที่สุด) ทั้งสองค่านี้รวมกันเป็นช่วง [Bel(A), Pl(A)] ซึ่งความกว้างของช่วงนี้บ่งบอกถึงความไม่แน่นอนที่เหลืออยู่

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

หลักเกณฑ์การรวมกันของ Dempster (Dempster's rule of combination) จะหลอมรวมฟังก์ชันมวลอิสระสองฟังก์ชัน: สำหรับแต่ละคู่ของเซตโฟกัส จะนำมวลของทั้งสองมาคูณกันและกำหนดผลคูณให้กับจุดตัดของเซตเหล่านั้น จากนั้นจะปรับค่าให้เป็นมาตรฐานโดย 1 − K โดยที่ K คือมวลรวมที่ตกอยู่บนเซตว่าง (ความขัดแย้งระหว่างแหล่งข้อมูล) ผลลัพธ์ที่ได้คือฟังก์ชันมวลใหม่ที่สรุปหลักฐานที่รวมกัน

สูตร
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

การตัดสินใจใช้ช่วงความเชื่อ-ความเป็นไปได้ เช่น การเลือกสมมติฐานที่มีความเชื่อสูงสุด ความเป็นไปได้สูงสุด หรือการแปลงแบบ pignistic (คล้ายความน่าจะเป็น) ของมวลสูงสุด ช่วงที่แสดงไว้อย่างชัดเจนนี้ช่วยให้ระบบสามารถเลื่อนการตัดสินใจหรือร้องขอหลักฐานเพิ่มเติมได้เมื่อความเชื่อและความเป็นไปได้แตกต่างกันมาก

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

ข้อผิดพลาดที่พบบ่อย

  • การใช้หลักเกณฑ์ของ Dempster กับแหล่งข้อมูลที่มีความขัดแย้งสูงโดยไม่ตรวจสอบมวลความขัดแย้ง K
  • การสับสนระหว่างความเชื่อกับความน่าจะเป็น — ความเชื่อเป็นขอบเขตล่าง ไม่ใช่ค่าประมาณจุด
  • การละเลยการเพิ่มขึ้นแบบคอมบินาทอริกเมื่อกรอบการจำแนกมีขนาดใหญ่
  • การรวมแหล่งข้อมูลที่ขึ้นต่อกันราวกับว่าเป็นอิสระ ทำให้เกิดการนับซ้ำหลักฐานที่ใช้ร่วมกัน

คำถามที่พบบ่อย

Dempster-Shafer แตกต่างจากความน่าจะเป็นแบบเบย์อย่างไร?

ความน่าจะเป็นแบบเบย์กำหนดตัวเลขเดียวให้กับแต่ละสมมติฐานและต้องการค่าความน่าจะเป็นก่อนหน้า (prior) ที่สมบูรณ์ Dempster-Shafer กำหนดมวลให้กับชุดของสมมติฐาน ทำให้สามารถแสดงความไม่รู้ได้โดยตรง และสรุปแต่ละสมมติฐานด้วยช่วงความเชื่อ-ความเป็นไปได้ ซึ่งเป็นการขยายแนวทางแบบเบย์ โดยจะกลับไปเป็นแบบเบย์เมื่อมวลทั้งหมดอยู่บนสมมติฐานแต่ละรายการ

ความเชื่อ (belief) และความเป็นไปได้ (plausibility) คืออะไร?

ความเชื่อ Bel(A) คือหลักฐานทั้งหมดที่ผูกมัดกับ A อย่างเต็มที่ (ขอบเขตล่างของความน่าจะเป็น) ความเป็นไปได้ Pl(A) คือหลักฐานทั้งหมดที่เข้ากันได้กับ A เท่านั้น (ขอบเขตบน) ช่วง [Bel(A), Pl(A)] เป็นตัวกำหนดขอบเขตของการสนับสนุนที่แท้จริงสำหรับ A และความกว้างของช่วงนี้สะท้อนถึงสิ่งที่ไม่ทราบที่เหลืออยู่

ปัญหาความขัดแย้งในหลักเกณฑ์ของ Dempster คืออะไร?

เมื่อแหล่งข้อมูลสองแหล่งไม่เห็นด้วยอย่างมาก มวลรวมส่วนใหญ่จะตกอยู่บนเซตว่าง (ความขัดแย้ง K) การปรับค่าให้เป็นมาตรฐานเพื่อขจัดความขัดแย้งออกไปอาจให้ผลลัพธ์ที่ขัดกับสัญชาตญาณ — ซึ่งเป็นปรากฏการณ์ Zadeh's classic paradox ความขัดแย้งสูงบ่งชี้ว่าหลักเกณฑ์ของ Dempster อาจไม่เหมาะสม ซึ่งกระตุ้นให้เกิดหลักเกณฑ์การรวมกันทางเลือกหรือการทบทวนความน่าเชื่อถือของแหล่งข้อมูล

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press.

    ISBN: 978-0-691-08175-5
    คัดลอกแล้ว