[论文解读] Conservative, Proportional and Optimistic Contextual Discounting in the Belief Functions Theory

Marek Kurdej, Véronique Cherfaoui|arXiv (Cornell University)|Dec 19, 2013

Multi-Criteria Decision Making参考文献 14被引用 9

一句话总结

本文在证据理论中提出了三种新的上下文折扣方案——保守型、比例型和乐观型，以比经典方法更灵活地建模源可靠性与时间折扣。与以往方法不同，这些方案允许负折扣因子，从而能够准确建模随时间推移的信息衰减，例如在传感器数据融合中，不同假设下的证据以不同速率失去价值。

ABSTRACT

Information discounting plays an important role in the theory of belief functions and, generally, in information fusion. Nevertheless, neither classical uniform discounting nor contextual cannot model certain use cases, notably temporal discounting. In this article, new contextual discounting schemes, conservative, proportional and optimistic, are proposed. Some properties of these discounting operations are examined. Classical discounting is shown to be a special case of these schemes. Two motivating cases are discussed: modelling of source reliability and application to temporal discounting.

研究动机与目标

• 解决经典方法及现有上下文折扣方法在无法建模不同假设随时间以不同速率衰减的时效折扣方面的局限性。
• 通过允许每个焦元（focal element）采用可变的折扣因子（包括负值），实现细粒度的、与假设相关的可靠性建模。
• 证明所提方案在智能交通系统中传感器数据融合的时效折扣场景下的适用性。
• 克服以往上下文折扣方法禁止使用负折扣因子的限制，而负因子对于真实衰减建模至关重要。
• 提供一种计算高效的框架，使折扣因子可预先计算并存储，以实现快速融合操作。

提出的方法

• 提出三种新型折扣方案：保守型、比例型和乐观型，每种方案基于源可靠性与假设特定衰减，定义了计算折扣因子的不同方式。
• 使用折扣因子向量 α 定义折扣操作，其中每个 α(ω) 对应该焦元空间 Ω 中的假设 ω。
• 采用指数衰减模型，从已知的半衰期 t₁/₂ 计算衰减参数 λ，以实现时间依赖的可靠性建模。
• 推导出 κ 向量，定义为 κ(ω) = exp(−λ(ω)·t)，表示在时间 t 时每个假设的剩余价值。
• 在比例方案中，将 κ(ω) 直接映射到 α(ω)；而保守型与乐观型方案采用其他变换方式，以允许 α(ω) 取负值。
• 应用不相容规则组合（DRC）融合折扣后的mass函数，保持信念函数的结构。

实验结果

研究问题

• RQ1 上下文折扣能否被推广以允许负折扣因子，从而实现更真实的时效信息衰减建模？
• RQ2 保守型、比例型与乐观型折扣方案在行为与实际融合问题中的适用性方面有何差异？
• RQ3 所提方案能否建模不同假设以不同速率衰减的时效折扣，例如在移动或静态物体的传感器数据中？
• RQ4 为何经典上下文折扣在时效折扣场景中失效？新方案如何克服此局限？
• RQ5 预先计算折扣因子在计算与表示方面有何优势，以支持实时系统中的高效融合？

主要发现

• 所提折扣方案可对每个假设建模不同的衰减速率，例如 ω₁、ω₂ 和 ω₃ 的半衰期分别为 1 秒、4 秒和 15 秒。
• 在 t = 4 秒时，保守型方案得到 α ≈ [−1.5787, 0.6777, 0.8061]，表明负折扣因子在准确衰减建模中既可行又必要。
• 比例方案将 κ(ω) 直接映射为 α(ω)，在 Case 1 中 t = 4 秒时得到 α ≈ [0.0625, 0.5000, 0.8312]，反映各假设的剩余价值。
• 在 Case 2 中，乐观型方案产生 α ≈ [0.1493, 0.0228, 0.4122]，显示出对可靠性变化的不同敏感度。
• 由于经典上下文折扣限制 α 为非负值，当需要负值时将违反质量函数条件，因此无法表达此类行为。
• 所提方法的计算复杂度随 |2^Ω| 线性增长，支持折扣因子的高效预计算与存储，适用于实时应用。