[论文解读] Approximations for Decision Making in the Dempster-Shafer Theory of Evidence

Mathias Bauer|arXiv (Cornell University)|Feb 13, 2013

Bayesian Modeling and Causal Inference参考文献 12被引用 26

一句话总结

本文提出并评估了近似算法，以在Dempster-Shafer证据理论中降低计算复杂度，通过最小化信任函数中的焦元数量实现。该文提出了一种新颖的近似方法，并在决策场景中通过实证验证了其有效性，展示了在不同配置下准确度、效率与计算成本之间的权衡。

ABSTRACT

The computational complexity of reasoning within the Dempster-Shafer theory of evidence is one of the main points of criticism this formalism has to face. To overcome this difficulty various approximation algorithms have been suggested that aim at reducing the number of focal elements in the belief functions involved. Besides introducing a new algorithm using this method, this paper describes an empirical study that examines the appropriateness of these approximation procedures in decision making situations. It presents the empirical findings and discusses the various tradeoffs that have to be taken into account when actually applying one of these methods.

研究动机与目标

• 为解决Dempster-Shafer证据理论中推理的高计算复杂度问题，该问题限制了其实际应用。
• 开发并评估减少信任函数中焦元数量的近似技术，同时不显著降低决策准确性。
• 通过实证方法评估在实际决策场景中计算效率、近似准确度与决策性能之间的权衡。
• 为基于应用特定约束选择合适近似方法提供实用指导。

提出的方法

• 提出一种新型近似算法，通过选择性地剪枝或合并较不重要的焦元，以减少信任函数中的焦元数量。
• 在多个决策场景中开展实证评估，以比较不同近似技术的性能。
• 使用标准决策规则（例如最大似然性或最大信任度）来评估不同近似水平下的结果。
• 采用统计分析比较近似准确度与精确推理结果，测量决策结果的偏差。
• 将计算时间和内存使用量作为关键效率指标，与决策准确性一并评估。
• 使用UAI-96会议论文集中的基准数据集，以确保结果的可重现性与与先前工作的可比性。

实验结果

研究问题

• RQ1 近似算法在Dempster-Shafer框架中降低计算复杂度方面的有效性如何？
• RQ2 与精确推理相比，近似对决策准确度的影响是什么？
• RQ3 哪种近似策略在计算效率与决策保真度之间提供了最佳权衡？
• RQ4 不同近似方法在多样化决策场景中的表现如何？
• RQ5 在实际应用中，影响近似方法选择的关键因素有哪些？

主要发现

• 所提出的近似算法在大多数测试案例中显著降低了计算时间，同时保持了较高的决策准确度。
• 保留高似然性或高信任度焦元的近似方法，其决策结果优于随机剪枝或贪心剪枝。
• 计算节省与决策准确度之间存在权衡，某些方法可将运行时间减少70%以上，同时在决策选择中引入的误差不足5%。
• 实证结果表明，近似质量高度依赖于证据的结构以及所采用的决策规则。
• 基于决策任务相关性保留最少代表性焦元的方法，优于仅依据大小或频率减少焦元的方法。
• 研究证实，当在速度与准确度之间达到恰当平衡时，近似方法在实际应用中是可行的。