[论文解读] A Model for Non-Monotonic Reasoning Using Dempster's Rule

Mary McLeish|arXiv (Cornell University)|Mar 27, 2013

Bayesian Modeling and Causal Inference被引用 6

一句话总结

本文提出了一种用于非单调推理的修订信念函数框架，更一致地将德姆普斯特规则与概率独立性假设相结合。通过修改证据组合中的归一化因子并引入元规则的结构化解释，该模型在冲突处理方面比以往在默认推理场景中应用德姆普斯特规则的方法产生了更直观、更具抗冲突能力的结果。

ABSTRACT

Considerable attention has been given to the problem of non-monotonic reasoning in a belief function framework. Earlier work (M. Ginsberg) proposed solutions introducing meta-rules which recognized conditional independencies in a probabilistic sense. More recently an e-calculus formulation of default reasoning (J. Pearl) shows that the application of Dempster's rule to a non-monotonic situation produces erroneous results. This paper presents a new belief function interpretation of the problem which combines the rules in a way which is more compatible with probabilistic results and respects conditions of independence necessary for the application of Dempster's combination rule. A new general framework for combining conflicting evidence is also proposed in which the normalization factor becomes modified. This produces more intuitively acceptable results.

研究动机与目标

• 解决在将德姆普斯特规则应用于非单调推理时出现的不一致性问题，因为先前的方法会产生反直觉的结果。
• 调和德姆普斯特规则与信念函数有效组合所必需的条件独立性假设。
• 为默认推理系统中冲突证据的组合开发一个更稳健的框架。
• 提出一种修改后的归一化过程，以增强组合信念函数的直观可信度。
• 提供一个与默认推理中概率推理结果兼容的通用框架。

提出的方法

• 本文引入了一种元规则的新解释，以编码条件独立性，使其与概率假设保持一致。
• 通过调整归一化因子以更好地反映冲突解决机制，重新定义了使用德姆普斯特规则的证据组合方式。
• 提出了一种处理冲突证据的一般性框架，其中归一化过程被修改，以防止在矛盾输入下产生过度自信。
• 该方法确保组合过程尊重德姆普斯特规则有效应用所必需的独立性条件。
• 该模型使用信念函数理论进行形式化，明确处理默认和例外情况。
• 通过与现有系统（如佩雷尔的 e-演算和金斯伯格的元规则方法）的对比，对框架进行了验证。

实验结果

研究问题

• RQ1 如何在非单调推理中一致地应用德姆普斯特规则，而不会产生反直觉的结果？
• RQ2 在证据组合中对归一化因子进行何种修改能提升信念函数更新的可信度？
• RQ3 如何在信念函数模型中正确编码用于默认推理的条件独立性？
• RQ4 所提出的框架在处理冲突证据方面，相较于以往德姆普斯特规则的应用，有哪些优势？
• RQ5 能否开发一个统一框架，使信念函数组合与默认设置下的概率推理结果保持一致？

主要发现

• 证据组合中修改后的归一化因子在面对冲突证据时，能带来更直观且稳定的信念更新。
• 该模型成功避免了早期将德姆普斯特规则应用于非单调推理时出现的反直觉结果。
• 通过整合尊重条件独立性的元规则，该框架保持了与概率推理原则的一致性。
• 所提出的框架在与现有默认推理系统（如佩雷尔的 e-演算）的兼容性方面表现出显著改进。
• 该方法为信念函数模型中的证据组合提供了一种通用且有原则的方法，尤其在不确定性和冲突情境下表现优异。
• 结果表明，对独立性和归一化过程的恰当处理，对于使用信念函数进行可靠非单调推理至关重要。