WikiDer > Теория Демпстера – Шафера

Артур П. Демпстер на Практикум по теории функций убеждений (Брест, 1 апреля 2010 г.).

В теория функций убеждений, также называемый теория доказательств или же Теория Демпстера – Шафера (Летнее время), представляет собой общую основу для рассуждений о неопределенности с понятными связями с другими концепциями, такими как вероятность, возможность и неточные теории вероятностей. Впервые представил Артур П. Демпстер^[1] в контексте статистического вывода теория была позже развита Гленн Шафер в общую схему моделирования эпистемической неопределенности - математическую теорию свидетельство.^[2][3] Теория позволяет объединить свидетельства из разных источников и прийти к определенной степени уверенности (представленной математическим объектом, называемым функция веры), который учитывает все доступные доказательства.

В узком смысле термин теория Демпстера – Шафера относится к первоначальной концепции теории Демпстера и Шафера. Однако более распространено использование этого термина в более широком смысле того же общего подхода, адаптированного к конкретным типам ситуаций. В частности, многие авторы предложили разные правила комбинирования доказательств, часто с целью лучшего разрешения конфликтов в доказательствах.^[4] Ранний вклад также стал отправной точкой для многих важных событий, в том числе переносимая модель убеждений и теория подсказок.^[5]

Обзор

Теория Демпстера – Шафера является обобщением теории Байесовская теория субъективной вероятности. Функции убеждения основывают степени уверенности (или уверенности, или доверия) для одного вопроса от вероятностей для связанного вопроса. Сами степени веры могут иметь или не иметь математические свойства вероятностей; насколько они отличаются, зависит от того, насколько тесно связаны эти два вопроса.^[6] Другими словами, это способ представления эпистемический вероятности, но он может дать ответы, противоречащие тем, которые пришли к использованию теория вероятности.

Часто используется как метод сенсор слиянияТеория Демпстера – Шейфера основана на двух идеях: получение степени уверенности для одного вопроса из субъективных вероятностей для связанного вопроса и правило Демпстера.^[7] для объединения таких степеней веры, когда они основаны на независимых доказательствах. По сути, степень веры в предложение зависит в первую очередь от количества ответов (на связанные вопросы), содержащих предложение, и от субъективной вероятности каждого ответа. Также вносят свой вклад правила комбинирования, которые отражают общие предположения о данных.

В этом формализме степень веры (также называемый масса) представлен как функция веры а не Байесовский распределение вероятностей. Значения вероятности присваиваются наборы возможностей, а не отдельных событий: их привлекательность основывается на том факте, что они естественным образом кодируют свидетельства в пользу предположений.

Теория Демпстера-Шейфера приписывает свои массы всем подмножествам предложений, составляющих систему - в теоретико-множественный сроки, набор мощности предложений. Например, предположим ситуацию, когда в системе есть два связанных вопроса или предложения. В этой системе любая функция убеждения приписывает массу первому утверждению, второму, обоим или ни одному из них.

Вера и правдоподобие

Формализм Шафера начинается с набора возможности рассматриваются, например, числовые значения переменной или пары лингвистических переменных, такие как «дата и место происхождения реликвии» (спрашивая, антикварная она или недавняя подделка). Гипотеза представлена ​​подмножеством этого рамка проницательности, например, «(династия Мин, Китай)» или «(19 век, Германия)».^{[2]:стр.35f.}

Структура Шафера позволяет представить такие суждения в виде интервалов, ограниченных двумя значениями: вера (или же поддерживать) и правдоподобие:

вера ≤ правдоподобие.

На первом этапе субъективные вероятности (массы) присваиваются всем подмножествам кадра; обычно только ограниченное количество наборов будет иметь ненулевую массу (фокусные элементы).^[2]:39f. Вера в гипотезе состоит из суммы масс всех подмножеств набора гипотез. Это количество убеждений, которое напрямую поддерживает либо данную гипотезу, либо более конкретную, таким образом формируя нижнюю границу ее вероятности. Вера (обычно обозначается Бел) измеряет силу доказательств в пользу предложения п. Он варьируется от 0 (указывает на отсутствие доказательств) до 1 (означает уверенность). Правдоподобие равно 1 минус сумма масс всех множеств, пересечение которых с гипотезой пусто. Или его можно получить как сумму масс всех множеств, пересечение которых с гипотезой не является пустым. Это верхняя граница вероятности того, что гипотеза может быть верной, т.е. оно «могло быть истинным состоянием системы» до этого значения, потому что существует лишь определенное количество свидетельств, которые противоречат этой гипотезе. Правдоподобие (обозначаемое Pl) определяется как Pl (п) = 1 - Bel (~п). Он также варьируется от 0 до 1 и измеряет степень, в которой доказательства в пользу ~п оставляет место для веры в п.

Например, предположим, что у нас есть убеждение 0,5 для предложения, скажем, «кот в коробке мертв». Это означает, что у нас есть доказательства, которые позволяют нам твердо утверждать, что утверждение верно с уверенностью 0,5. Однако свидетельства, противоречащие этой гипотезе (то есть «кошка жива»), имеют достоверность только 0,2. Оставшаяся масса 0,3 (разрыв между 0,5 подтверждающим доказательством с одной стороны и 0,2 противоположным доказательством с другой) является «неопределенной», что означает, что кошка могла быть либо мертвой, либо живой. Этот интервал представляет собой уровень неопределенности, основанный на свидетельствах в системе.

Нулевая гипотеза по определению устанавливается равной нулю (соответствует «нет решения»). Ортогональные гипотезы «Живой» и «Мертвый» имеют вероятности 0,2 и 0,5 соответственно. Это может соответствовать сигналам «Детектор живой / мертвой кошки», которые имеют надежность 0,2 и 0,5 соответственно. Наконец, всеобъемлющая гипотеза «Либо» (которая просто признает, что в коробке есть кошка) устраняет недостаток, так что сумма масс равна 1. Вера в гипотезы «Живой» и «Мертвой» соответствует их соответствующие массы, потому что у них нет подмножеств; Вера в «Либо» состоит из суммы всех трех масс (Либо, Живой, и Мертвый), потому что «Живой» и «Мертвый» являются подмножествами «Либо». «Живое» правдоподобие составляет 1 -м (Мертвые): 0,5, а вероятность «мертвых» равна 1 -м (Живой): 0,8. В противном случае «живая» правдоподобность м(Живой) + м (Либо), и «мертвое» правдоподобие м(Мертвый) + м(Либо). И, наконец, сумма правдоподобия «Либо» м(Живой) +м(Мертвый) +м(Либо). Универсальная гипотеза («Либо») всегда будет иметь стопроцентную веру и правдоподобие - она ​​действует как контрольная сумма своего рода.

Вот несколько более сложный пример, в котором начинает проявляться поведение веры и правдоподобия. Мы смотрим через множество детекторных систем на один дальний световой сигнал, который может быть окрашен только в один из трех цветов (красный, желтый или зеленый):

События такого типа не могут быть смоделированы как непересекающиеся множества в вероятностном пространстве, как здесь, в пространстве массового назначения. Скорее, событие «Красное или Желтое» будет рассматриваться как объединение событий «Красного» и «Желтого», и (см. аксиомы вероятности) п(Красный или желтый) ≥ п(Желтый) и п(Any) = 1, где Любой относится к красный или же Желтый или же Зеленый. В DST масса, присвоенная Любой относится к доле свидетельств, которые не могут быть отнесены ни к одному из других состояний, что здесь означает свидетельство, которое говорит, что есть свет, но ничего не говорит о том, какого он цвета. В этом примере доля свидетельств, показывающих свет, либо красный или же Зеленый дается масса 0,05. Такие доказательства могут быть получены, например, от дальтоника R / G. DST позволяет нам извлекать ценность из свидетельств этого датчика. Кроме того, в DST считается, что нулевой набор имеет нулевую массу, что означает, что здесь существует сигнальная световая система, и мы изучаем ее возможные состояния, а не размышляем о том, существует ли она вообще.

Объединение убеждений

Убеждения из разных источников можно комбинировать с различными операторами слияния для моделирования конкретных ситуаций слияния убеждений, например с Правило комбинации Демпстера, который сочетает в себе ограничения убеждений^[8] которые продиктованы независимыми источниками убеждений, например, в случае комбинирования подсказок^[5] или комбинируя предпочтения.^[9] Обратите внимание, что массы вероятностей из утверждений, которые противоречат друг другу, могут использоваться для получения меры конфликта между независимыми источниками убеждений. Другие ситуации можно смоделировать с помощью различных операторов слияния, таких как совокупное слияние убеждений из независимых источников, которые можно смоделировать с помощью оператора кумулятивного слияния.^[10]

Правило комбинирования Демпстера иногда интерпретируется как приблизительное обобщение Правило Байеса. В этой интерпретации априорные и условные выражения не нужно указывать, в отличие от традиционных байесовских методов, которые часто используют аргумент симметрии (минимаксная ошибка) для присвоения априорных вероятностей случайным величинам (например присвоение 0,5 двоичным значениям, о которых нет информации, более вероятно). Однако любая информация, содержащаяся в пропущенных априорных и условных выражениях, не используется в правиле комбинирования Демпстера, если она не может быть получена косвенно - и, возможно, тогда доступна для вычислений с использованием уравнений Байеса.

Теория Демпстера-Шейфера позволяет указать степень невежества в этой ситуации вместо того, чтобы быть вынужденным предоставлять априорные вероятности, которые добавляют к единице. Такая ситуация, и есть ли реальная разница между рисковать и невежество, широко обсуждалась статистиками и экономистами. См., Например, противоположные взгляды Даниэль Эллсберг, Говард Райффа, Кеннет Эрроу и Фрэнк Найт.^{[нужна цитата]}

Формальное определение

Позволять Икс быть вселенная: множество, представляющее все возможные состояния рассматриваемой системы. В набор мощности

${ Displaystyle 2 ^ {X} , !}$

- это множество всех подмножеств Икс, в том числе пустой набор ${ displaystyle emptyset}$. Например, если:

${ Displaystyle Х = влево {а, б вправо } , !}$

тогда

${ displaystyle 2 ^ {X} = left { emptyset, left {a right }, left {b right }, X right }. ,}$

Элементы набора мощности могут быть взяты для представления предложений, касающихся фактического состояния системы, путем включения всех и только состояний, в которых утверждение истинно.

Теория очевидности приписывает массу убеждений каждому элементу набора власти. Формально функция

${ Displaystyle m: 2 ^ {X} rightarrow [0,1] , !}$

называется задание основных убеждений (BBA), когда он имеет два свойства. Во-первых, масса пустого набора равна нулю:

${ Displaystyle м ( emptyset) = 0. , !}$

Во-вторых, массы всех элементов набора мощности в сумме составляют 1:

${ Displaystyle сумма _ {А в 2 ^ {X}} м (А) = 1 , !}$

Масса м(А) из А, данный член набора власти, выражает долю всех соответствующих и доступных свидетельств, которые подтверждают утверждение, что фактическое государство принадлежит к А но не конкретному подмножеству А. Значение м(А) принадлежит Только к набору А и не делает никаких дополнительных заявлений о каких-либо подмножествах А, каждый из которых по определению имеет свою массу.

Из массовых назначений можно определить верхнюю и нижнюю границы вероятностного интервала. Этот интервал содержит точную вероятность интересующего множества (в классическом смысле) и ограничен двумя неаддитивными непрерывными мерами, называемыми вера (или же поддерживать) и правдоподобие:

${ displaystyle operatorname {bel} (A) leq P (A) leq operatorname {pl} (A).}$

Вера бел (А) для набора А определяется как сумма всех масс подмножеств интересующего множества:

${ displaystyle operatorname {bel} (A) = sum _ {B mid B substeq A} m (B). ,}$

Правдоподобие пл (А) - сумма всех масс множеств B которые пересекаются с множеством интересов А:

${ displaystyle operatorname {pl} (A) = sum _ {B mid B cap A neq emptyset} m (B). ,}$

Эти две меры связаны друг с другом следующим образом:

${ displaystyle operatorname {pl} (A) = 1- operatorname {bel} ({ overline {A}}). ,}$

И наоборот, для конечных А, учитывая меру веры bel (B) для всех подмножеств B из А, можно найти массы m (А) со следующей обратной функцией:

${ displaystyle m (A) = sum _ {B mid B substeq A} (- 1) ^ {| A-B |} operatorname {bel} (B) ,}$

где |А − B| - разница мощностей двух множеств.^[4]

Это следует из последние два уравнения, которые для конечного множества Икс, нужно знать только одно из трех (масса, убеждение или правдоподобие), чтобы вывести два других; хотя может потребоваться знать значения для многих наборов, чтобы вычислить одно из других значений для конкретного набора. В случае бесконечного Икс, могут быть четко определенные функции убеждений и правдоподобия, но не могут быть четко определенные функции масс.^[11]

Правило комбинации Демпстера

Проблема, с которой мы сейчас сталкиваемся, заключается в том, как объединить два независимых набора вероятностных массовых назначений в конкретных ситуациях. В случае, если различные источники выражают свои убеждения через фрейм в терминах ограничений убеждений, например, в случае подсказок или в случае выражения предпочтений, тогда подходящим оператором слияния является правило Демпстера. Это правило основывается на общих убеждениях нескольких источников и игнорирует все конфликтующее (не разделяемое) убеждение через фактор нормализации. Использование этого правила в других ситуациях, помимо объединения ограничений убеждений, подверглось серьезной критике, например, в случае объединения отдельных оценок убеждений из нескольких источников, которые должны быть объединены кумулятивным образом, а не в качестве ограничений. Кумулятивное слияние означает, что все вероятностные массы из разных источников отражаются в производном убеждении, поэтому никакая вероятностная масса не игнорируется.

В частности, комбинация (называемая совместная масса) вычисляется из двух наборов масс м₁ и м₂ следующим образом:

${ Displaystyle м_ {1,2} ( emptyset) = 0 ,}$

${ Displaystyle m_ {1,2} (A) = (m_ {1} oplus m_ {2}) (A) = { frac {1} {1-K}} sum _ {B cap C = A neq emptyset} m_ {1} (B) m_ {2} (C) , !}$

куда

${ Displaystyle К = сумма _ {B cap C = emptyset} m_ {1} (B) m_ {2} (C). ,}$

K - это мера степени конфликта между двумя наборами масс.

Последствия конфликта

Коэффициент нормализации выше, 1 -K, полностью игнорирует конфликт и приписывает любой масса, связанная с конфликтом с нулевым набором. Таким образом, это комбинированное правило доказательств может давать противоречивые результаты, как мы покажем ниже.

Пример получения правильных результатов в случае сильного конфликта

В следующем примере показано, как правило Демпстера дает интуитивно понятные результаты при применении в ситуации слияния предпочтений, даже когда существует высокий конфликт.

Предположим, что два друга, Алиса и Боб, хотят однажды вечером посмотреть фильм в кинотеатре, и что там показаны только три фильма: X, Y и Z. Алиса выражает свое предпочтение фильму X с вероятностью 0,99, а ее предпочтение - фильму X. фильм Y с вероятностью всего 0,01. Боб выражает свое предпочтение фильму Z с вероятностью 0,99 и его предпочтение фильму Y с вероятностью только 0,01. При объединении предпочтений с правилом комбинирования Демпстера выясняется, что их объединенное предпочтение дает вероятность 1,0 для фильма Y, потому что это единственный фильм, который они оба согласны смотреть.

Правило комбинирования Демпстера дает интуитивные результаты даже в случае полностью противоречивых убеждений при такой интерпретации. Предположим, что Алиса предпочитает фильм X с вероятностью 1.0, а Боб предпочитает фильм Z с вероятностью 1.0. При попытке совместить их предпочтения с правилом Демпстера оказывается, что в данном случае оно не определено, а значит, решения нет. Это означало бы, что они не могут договориться о совместном просмотре какого-либо фильма, поэтому в этот вечер они не ходят вместе в кино. Однако семантика интерпретации предпочтения как вероятности расплывчата: если речь идет о вероятности просмотра фильма X сегодня вечером, то мы сталкиваемся с Заблуждение исключенного среднего: событие, которое действительно происходит, когда сегодня вечером не смотрят ни один фильм, имеет массу вероятности 0.

Пример получения противоречивых результатов в случае сильного конфликта

Пример с точно такими же числовыми значениями был представлен Заде в 1979 г.^[12][13][14]чтобы указать на противоречащие интуиции результаты, порождаемые правилом Демпстера, когда существует высокая степень конфликта. Пример выглядит следующим образом:

Предположим, что у одного есть два равноадежных врача, и один врач считает, что у пациента опухоль головного мозга, с вероятностью (т. Е. Основным заданием - bba или массой убеждений) 0,99; или менингит, с вероятностью всего 0,01. Второй врач считает, что у пациента сотрясение мозга с вероятностью 0,99, и считает, что пациент страдает менингитом, с вероятностью только 0,01. Применяя правило Демпстера, чтобы объединить эти два набора масс веры, мы, наконец, получаем м (менингит) = 1 (менингит диагностируется со 100-процентной достоверностью).

Такой результат противоречит здравому смыслу, поскольку оба врача согласны с тем, что вероятность того, что у пациента менингит, мала. Этот пример стал отправной точкой многих исследовательских работ, направленных на поиск прочного обоснования правила Демпстера и основ теории Демпстера – Шафера.^[15][16] или показать несостоятельность этой теории.^[17][18][19]

Пример получения противоречивых результатов в случае незначительного конфликта

В следующем примере показано, где правило Демпстера дает противоречивый результат, даже при небольшом количестве конфликтов.

Предположим, что один врач считает, что у пациента либо опухоль мозга с вероятностью 0,99, либо менингит с вероятностью всего 0,01. Второй врач также считает, что у пациента опухоль головного мозга с вероятностью 0,99, и считает, что пациент страдает сотрясением мозга с вероятностью всего 0,01. Если мы вычислим m (опухоль головного мозга) по правилу Демпстера, мы получим

${ displaystyle m ({ text {опухоль мозга}}) = operatorname {Bel} ({ text {опухоль головного мозга}}) = 1. ,}$

Из этого результата следует полная поддержка для диагностики опухоли головного мозга, которую оба доктора считали скорее всего. Соглашение возникает из-за низкой степени противоречия между двумя наборами доказательств, содержащихся во мнениях двух врачей.

В любом случае было бы разумно ожидать, что:

${ displaystyle m ({ text {опухоль мозга}}) <1 { text {and}} operatorname {Bel} ({ text {опухоль мозга}}) <1, ,}$

поскольку наличие ненулевых вероятностей веры для других диагнозов подразумевает менее чем полная поддержка для диагностики опухолей головного мозга.

Демпстер – Шейфер как обобщение байесовской теории.

Как и в теории Демпстера – Шафера, байесовская функция веры ${ displaystyle operatorname {bel}: 2 ^ {X} rightarrow [0,1] , !}$ имеет свойства ${ displaystyle operatorname {bel} ( emptyset) = 0}$ и ${ displaystyle operatorname {bel} (X) = 1}$. Третье условие, однако, входит в теорию DS, но смягчается:^{[2]:п. 19}

${ displaystyle { text {If}} A cap B = emptyset, { text {then}} operatorname {bel} (A cup B) = operatorname {bel} (A) + operatorname {bel } (B).}$

Например, байесовец смоделирует цвет автомобиля как распределение вероятностей по (красный, зеленый, синий), присвоив каждому цвету одно число. Демпстер-Шафер присваивает номера каждому из (красный, зеленый, синий, (красный или зеленый), (красный или синий), (зеленый или синий), (красный, зеленый или синий)), которые не должны совпадать, для например Бел (красный) + Бел (зеленый)! = Бел (красный или зеленый). Это может быть более эффективным с вычислительной точки зрения, если свидетель сообщает: «Я видел, что машина была либо синей, либо зеленой», и в этом случае убеждение может быть присвоено за один шаг, а не разбиваться на значения для двух разных цветов. Однако это может привести к иррациональным выводам.

Эквивалентно, каждое из следующих условий определяет байесовский частный случай теории DS:^{[2]:п. 37,45}

• ${ displaystyle operatorname {bel} (A) + operatorname {bel} ({ bar {A}}) = 1 { text {для всех}} A substeq X.}$
• Для конечных Икс, все центральные элементы функции доверия являются одиночными.

Условная вероятность Байеса является частным случаем правила комбинации Демпстера.^{[2]:п. 19f.}

Утверждалось^{[нужна цитата]} что теория DS обеспечивает более четкое различие между эпистемической неопределенностью и физической неопределенностью, чем байесовская теория. Например, рост ненаблюдаемого человека из популяции может иметь гауссовское распределение убеждений с высокой дисперсией, но байесовская теория получает такое же распределение в случае, когда все люди имеют одинаковый рост, но мало данных о том, каков этот рост. , как и в случае, когда население имеет широкий диапазон физически разного роста. Стандартная байесовская теория может приводить к неоптимальным решениям^{[нужна цитата]} если эта разница не учитывается при использовании вероятность второго порядка и оборудование для оценки полезности действий по сбору информации.

Также утверждалось^[20] что теория DS нет обобщение байесовской теории.

Байесовское приближение

Байесовское приближение [Voorbraak, 1989)^[21] снижает заданное значение bpa ${ displaystyle m}$ к (дискретному) распределению вероятностей, то есть только одноэлементные подмножества кадра распознавания могут быть центральными элементами аппроксимированной версии. ${ displaystyle { underline {m}}}$ из ${ displaystyle m}$:

${ displaystyle { underline {m}} (A) = left {{ begin {align} & { frac { sum limits _ {B | A substeq B} m (B)} { sum limits _ {C} m (C) cdot | C |}}, & | A | = 1 & 0, & { text {иначе}} end {выравнивается}} right.}$

Это полезно для тех, кого интересует только гипотеза единственного состояния.

Проделаем это на «легком» примере.

Гипотеза	${ displaystyle m_ {1}}$	${ displaystyle m_ {2}}$	${ displaystyle m_ {1,2}}$	${ displaystyle { underline {m}} _ {1}}$	${ displaystyle { underline {m}} _ {2}}$	${ displaystyle { underline {m}} _ {1,2}}$
Ноль	0	0	0	0	0	0
красный	0.35	0.11	0.32	0.41	0.30	0.37
Желтый	0.25	0.21	0.33	0.33	0.38	0.38
Зеленый	0.15	0.33	0.24	0.25	0.32	0.25
Красный или желтый	0.06	0.21	0.07	0	0	0
Красный или зеленый	0.05	0.01	0.01	0	0	0
Желтый или зеленый	0.04	0.03	0.01	0	0	0
Любой	0.1	0.1	0.02	0	0	0

Критика

Жемчужина Иудеи (1988a, глава 9;^[22] 1988b^[23] и 1990)^[24] утверждал, что неверно интерпретировать функции убеждений как представляющие либо «вероятности события», либо «уверенность в вероятностях, приписываемых различным результатам», либо «степени уверенности (или уверенности, или доверия) в предложении. , »Или« степень незнания ситуации ». Вместо этого, опровержения представляют вероятность того, что данное предложение доказуемо из набора других предложений, которым приписываются вероятности. Запутанные вероятности правда с вероятностями доказуемость может привести к противоречивым результатам в задачах рассуждения, таких как (1) представление неполных знаний, (2) обновление убеждений и (3) объединение доказательств. Он также продемонстрировал, что если частичное знание кодируется и обновляется методами функции убеждений, полученные в результате убеждения не могут служить основой для рациональных решений.

Клопотек и Вежхонь^[25] предложил интерпретировать теорию Демпстера – Шафера в терминах статистики таблиц решений ( грубая теория множеств), при этом оператор объединения свидетельств следует рассматривать как реляционное объединение таблиц решений. В другой интерпретации М. А. Клопотек и С. Т. Вежхонь.^[26] предлагаем рассматривать эту теорию как описывающую деструктивную обработку материала (с потерей свойств), напримеркак в некоторых процессах производства полупроводников. При обеих интерпретациях рассуждение в DST дает правильные результаты, вопреки более ранним вероятностным интерпретациям, критиковавшимся Перлом в цитируемых статьях и другими исследователями.

Йосанг доказал, что правило комбинирования Демпстера на самом деле является методом объединения ограничений убеждений.^[8] Он представляет собой только приблизительный оператор слияния в других ситуациях, например, кумулятивное слияние убеждений, но обычно дает неверные результаты в таких ситуациях. Таким образом, путаница вокруг обоснованности правила Демпстера возникает из-за неспособности правильно интерпретировать природу моделируемых ситуаций. Правило комбинирования Демпстера всегда дает правильные и интуитивно понятные результаты в ситуации слияния ограничений убеждений из разных источников.

Относительные меры

При рассмотрении предпочтений можно использовать частичный заказ из решетка вместо общий заказ действительной линии, найденной в теории Демпстера – Шафера. В самом деле, Гюнтер Шмидт предложил эту модификацию и изложил метод.^[27]

Учитывая набор критериев C и решетка L с заказом E, Шмидт определяет относительная мера μ из набор мощности на C в L соблюдающий порядок Ω на (C): Инструменты исчисление отношений, включая состав отношений, используются для выражения этого уважения:

${ Displaystyle Omega; му substeq mu; E ,}$ μ берет пустое подмножество ℙ (C) к наименьшему элементу L, и берет C к величайшему элементу L.

Шмидт сравнивает μ с функцией убеждений Шафера, а также рассматривает метод объединения мер, обобщающий подход Демпстера (когда новое свидетельство сочетается с ранее имевшимся свидетельством). Он также вводит реляционный интеграл и сравнивает его с Интеграл Шоке и Сугено интеграл. Любое отношение м между C и L может быть введена как «прямая оценка», а затем обработана с помощью исчисления отношений для получения мера возможности μ.

Смотрите также

• Неточная вероятность
• Верхняя и нижняя вероятности
• Теория возможностей
• Вероятностная логика
• Теорема Байеса
• Байесовская сеть
• Г. Л. С. Шэкл
• Переносимая модель убеждений
• Теория принятия решения о пропуске информации
• Субъективная логика
• Доксастическая логика
• Линейная функция веры

Рекомендации

дальнейшее чтение

• Ян, Дж. Б. и Сюй, Д. Л. Правило доказательной аргументации для объединения доказательств, Искусственный интеллект, Том 205, стр. 1–29, 2013.
• Ягер, Р. Р., и Лю, Л. (2008). Классические работы теории функций убеждений Демпстера – Шафера. Исследования в области нечеткости и мягких вычислений, т. 219. Берлин: Springer. ISBN 978-3-540-25381-5.
• Джозеф С. Джарратано и Гэри Д. Райли (2005 г.); Экспертные системы: принципы и программирование, изд. Thomson Course Tech., ISBN 0-534-38447-1
• Бейнон, М., Карри, Б. и Морган, П. Теория свидетельств Демпстера – Шафера: альтернативный подход к многокритериальному моделированию решений, Omega, Vol.28, pp. 37–50, 2000.

внешняя ссылка

• BFAS: Общество функций веры и приложений