[論文レビュー] The Generalized Pignistic Transformation

Jean Dezert, Florentín Smarandache+1 more|ArXiv.org|Sep 6, 2004

Advanced Mathematical Theories参考文献 7被引用数 33

ひとこと要約

本稿は、デュゼルト＝スマルンダッシュ理論（DSmT）フレームワーク内において、一般化された基本信頼割り当てをハイパーパワー集合上の自由およびハイブリッドDSmモデルで扱えるように拡張した一般化ピニスティック変換（GPT）を導入する。GPTは、不確実性および高い矛盾を伴う状況下での意思決定のための主観的確率測度を提供する。検証により、n=3の場合にシャーファーのモデル下で古典的ピニスティック変換と正確に一致することが示された。

ABSTRACT

This paper presents in detail the generalized pignistic transformation (GPT) succinctly developed in the Dezert-Smarandache Theory (DSmT) framework as a tool for decision process. The GPT allows to provide a subjective probability measure from any generalized basic belief assignment given by any corpus of evidence. We mainly focus our presentation on the 3D case and provide the complete result obtained by the GPT and its validation drawn from the probability theory.

研究の動機と目的

• 古典的ピニスティック変換を、非排他的かつ非包括的な識別フレームを許容するデュゼルト＝スマルンダッシュ理論（DSmT）の一般化フレームワークに拡張すること。
• ハイパーパワー集合 D^Θ 上で定義された任意の一般化基本信頼割り当て（m(.)) から、特に高い矛盾やパラドクス的証拠の状況下でも、頑健な主観的確率測度を提供すること。
• 3次元ケース（n=3）におけるGPTの検証を行い、シャーファーのモデル下で古典的ピニスティック変換と一貫していることを示すこと。
• シャーファー・モデルを超えて自由およびハイブリッドDSmモデルへも変換を一般化し、データ統合および不確実性下での意思決定への広範な適用可能性を実現すること。
• スマルンダッシュの符号化およびDn行列を用いた線形代数的定式化により、ピニスティック確率の体系的導出を形式化すること。

提案手法

• GPTを、行列積 d_n = D_n · u_n で定義される線形変換として提案する。ここで、d_n はハイパーパワー集合の要素のベクトルであり、D_n は再帰的に構築される二値行列である。
• pignistic確率 P{α_i} を、m(α_j) の重み付き和として導出する。重みは、すべての j に対して α_i ⊆ α_j を満たす場合の、DSm基数 |α_i ∩ α_j| / |α_j| の比である。
• 3次元ケース（n=3）に変換を適用し、ハイパーパワー集合 D^Θ の全8要素（単集合、ペア、および全集合）に対して明示的な式を計算する。
• シャーファーのモデルが適用される場合（すなわち、すべての論理的積が空集合である場合）、GPTが古典的ピニスティック変換に正確に還元されることを示して検証する。
• 包含関係およびDSm基数に基づいた重みを用いて、表形式（表4～表9）で体系的に P{α_i} を計算する。
• ハイブリッドモデルへの変換を一般化するが、このようなモデルにおける古典的確率論への完全な関係性はまだ調査中である。

実験結果

リサーチクエスチョン

• RQ1 DSmTの文脈において、非排他的かつ曖昧な識別フレームを扱うために、古典的ピニスティック変換をどのように一般化できるか？
• RQ2 3次元ケース（n=3）における一般化ピニスティック変換（GPT）の数学的構造は何か？また、シャーファーのモデルが適用された場合に、古典的確率論と一貫しているのはなぜか？
• RQ3 GPTの式における重みは、DSm基数およびハイパーパワー集合の要素間の包含関係とどのように関係しているか？
• RQ4 スマルンダッシュの符号化および再帰的Dn行列を含む行列ベースの定式化を用いて、GPTを体系的かつ検証可能に導出できるか？
• RQ5 ハイブリッドDSmモデルにおけるGPTの挙動は何か？また、シャーファーのモデル下での古典的ピニスティック変換と比較して、どのように異なるか？

主な発見

• GPTは、自由DSmモデルにおいても、n=3の場合に、ハイパーパワー集合 D^Θ 上で主観的確率割り当てを可能にするよう、古典的ピニスティック変換を成功裏に一般化した。
• 3次元ケースでは、GPTにより、m(α_j) の重み付き和として pignistic確率 P{α_i} の明示的式が得られ、重みはDSm基数（例：P{θ₁} = (1/1)m(α₁) + (0/1)m(α₂) + ...）から導出される。
• シャーファーのモデルが適用される場合（すべての論理的積が空集合である場合）、GPTは古典的ピニスティック変換に正確に還元され、従来の理論と一貫していることが検証された。
• GPTは、Dn行列およびスマルンダッシュの符号化を用いた線形代数的枠組みに数学的に裏付けられており、ピニスティック確率の体系的かつ再帰的計算を可能にする。
• シャーファーのモデル下で、全集合 α₇ = θ₁ ∪ θ₂ ∪ θ₃ に対して P{α₇} = 1 が正しく割り当てられ、正規化および論理的整合性が確認された。
• GPTは、表7～表9の多数の例示的テーブルを通じて、3次元ケースにおいて古典的確率論と整合的であることが示された。GPTの結果は、古典的ピニスティック値と一致した。