Isopignistic Canonical Decomposition via Belief Evolution Network

要約

不確実な環境における一般的な情報処理モデルを開発することは、説明可能な人工知能の進歩の基礎です。
デンプスター・シェーファー証拠理論は、認識論的不確実性を表現するためのよく知られた効果的な推論方法であり、主観的確率理論および可能性理論と密接に関連しています。
いくつかの特定の信念構造の下でそれらを相互に変換することはできますが、明確で解釈可能な変換プロセスや、情報処理のための統一されたアプローチが依然として不足しています。
この論文では、等知主義的な信念関数と超慎重な転移可能な信念モデルの観点からこれらの問題に取り組むことを目的としています。
まず、信念進化ネットワークに基づいた等知論的変換を提案します。
この変換により、潜在的な意思決定の結果を保持しながら、情報の粒度を調整することができます。
等知論的な変換は、非常に慎重な転移可能な信念モデルと統合され、新しい標準的な分解が確立されます。
この分解は、可能性分布とその等視的質量関数の間の逆経路を提供します。
アイソピニスティック関数と呼ばれる標準分解の結果は、BPA の傾向と相対的な関与度を反映する同一の情報コンテンツ分布です。
さらに、この論文は、等知性関数を調整することによって基本的な信念割り当てを再構築する方法を紹介します。
非常に慎重な移転可能な信念モデル内の不確実性をモデル化および処理する際のこのアプローチの利点を探ります。
より一般的には、この論文は、確率理論、デンプスター・シェーファー理論、および可能性理論に基づいて人工知能の一般的なモデルを構築するための理論的基礎を確立します。

要約(オリジナル)

Developing a general information processing model in uncertain environments is fundamental for the advancement of explainable artificial intelligence. Dempster-Shafer theory of evidence is a well-known and effective reasoning method for representing epistemic uncertainty, which is closely related to subjective probability theory and possibility theory. Although they can be transformed to each other under some particular belief structures, there remains a lack of a clear and interpretable transformation process, as well as a unified approach for information processing. In this paper, we aim to address these issues from the perspectives of isopignistic belief functions and the hyper-cautious transferable belief model. Firstly, we propose an isopignistic transformation based on the belief evolution network. This transformation allows for the adjustment of the information granule while retaining the potential decision outcome. The isopignistic transformation is integrated with a hyper-cautious transferable belief model to establish a new canonical decomposition. This decomposition offers a reverse path between the possibility distribution and its isopignistic mass functions. The result of the canonical decomposition, called isopignistic function, is an identical information content distribution to reflect the propensity and relative commitment degree of the BPA. Furthermore, this paper introduces a method to reconstruct the basic belief assignment by adjusting the isopignistic function. It explores the advantages of this approach in modeling and handling uncertainty within the hyper-cautious transferable belief model. More general, this paper establishes a theoretical basis for building general models of artificial intelligence based on probability theory, Dempster-Shafer theory, and possibility theory.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google