[论文解读] An Introduction to the DSm Theory for the Combination of Paradoxical, Uncertain, and Imprecise Sources of Information

Florentín Smarandache, Jean Dezert|ArXiv.org|Aug 1, 2006

Advanced Mathematical Theories参考文献 31被引用 7

一句话总结

本文介紹了德扎特-斯马兰达奇理論（DSmT），這是一套新穎的框架，透過放寬達默斯特-沙弗理論（DST）的限制性假設（如假設互斥與排除第三者），來結合不確定、模糊且高度衝突的資訊來源。論文提出新的組合規則——DSmH與PCR5，能比傳統方法更有效地處理悖論性與模糊性證據，特別是在動態或以語言表達的情境中。

ABSTRACT

The management and combination of uncertain, imprecise, fuzzy and even paradoxical or high conflicting sources of information has always been, and still remains today, of primal importance for the development of reliable modern information systems involving artificial reasoning. In this introduction, we present a survey of our recent theory of plausible and paradoxical reasoning, known as Dezert-Smarandache Theory (DSmT) in the literature, developed for dealing with imprecise, uncertain and paradoxical sources of information. We focus our presentation here rather on the foundations of DSmT, and on the two important new rules of combination, than on browsing specific applications of DSmT available in literature. Several simple examples are given throughout the presentation to show the efficiency and the generality of this new approach.

研究动机与目标

• 解決達默斯特-沙弗理論（DST）在處理模糊、不確定與悖論性證據時的限制。
• 發展一個不依賴沙弗模型或排除第三者原則的通用證據組合框架。
• 提出新的組合規則——DSmH與PCR5，以有效管理高衝突與重疊的假設。
• 將理論延伸至使用語言標籤的定性信任融合，實現對人類類似報告的直接處理。
• 為動態融合問題提供基礎，其中 discernment 框架會隨時間演變。

提出的方法

• 提出自由DSm模型（$\mathcal{M}^f(\Theta)$），將 discernment 框架 $\Theta$ 視為一組可能重疊的假設，且無排他性限制。
• 透過將完整性約束（例如排他性）嵌入自由模型，引入混合DSm模型（$\mathcal{M}(\Theta)$），以更真實反映現實條件。
• 發展DSmH組合規則，作為合取規則的推廣，適用於任何混合DSm模型，包括沙弗的模型。
• 提出PCR5規則（比例衝突再分配），根據信任質量將部分衝突質量按比例重新分配至各假設。
• 將框架延伸至使用語言標籤（例如 $L_1, L_2$）的定性信任融合，並定義標籤集合上的加法、乘法與減法運算。
• 提出透過標籤減法的準歸一化方法，以在定性融合中近似歸一化，當精確歸一化不可行時使用。

实验结果

研究问题

• RQ1 如何在超越沙弗模型與排除第三者的限制性假設下，推廣證據組合？
• RQ2 達默斯特規則在高衝突情境下的限制為何？應如何克服？
• RQ3 能否建立一個統一框架，同時處理定量與定性信任融合，且適用於重疊或模糊的假設？
• RQ4 如何比傳統規則（如達默斯特或PCR4）更精確地重新分配衝突質量？
• RQ5 動態知識修復在融合系統中的角色為何？如何在DSmT中建模？

主要发现

• DSmH規則透過推廣合取規則，可在任何混合DSm模型（包括沙弗模型）中一致地組合證據。
• PCR5規則根據各假設的信任質量，將部分衝突質量按比例重新分配，相較於傳統規則更具準確性。
• 在定性融合中，qPCR5規則使用比例近似方法轉移衝突質量（例如，將 $\frac{1}{3}L_2$ 分配至 $\theta_1$，$\frac{2}{3}L_2$ 分配至 $\theta_2$），當精確比例不可行時亦適用。
• 透過標籤減法（$L_i - L_j$）的準歸一化方法，可在定性融合中實現近似歸一化，結果調整約為1–2個標籤步驟。
• qDSmH與qPCR5規則產生的最終信任質量如 $qm_{qDSmH}^*(\theta_1) = L_2$，$qm_{qPCR5}^*(\theta_1) = L_3$，展現出有效的衝突解決能力。
• 該框架成功處理語言標籤與自然語言報告，實現對人類類似評估的直接融合，無需轉換為數值。