論文の概要: MMGET: A Markov model for generalized evidence theory
- arxiv url: http://arxiv.org/abs/2105.07952v1
- Date: Wed, 12 May 2021 12:41:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 17:21:50.109432
- Title: MMGET: A Markov model for generalized evidence theory
- Title(参考訳): MMGET:一般化エビデンス理論のためのマルコフモデル
- Authors: Yuanpeng He
- Abstract要約: Dempster-Shaferの証拠理論は不確実な情報を管理するのに有用なツールです。
すべてが順番に発生し、相互に基礎となる関係を持つ。
マルコフモデルは、完全な情報量を抽出するのに役立つ一般化された証拠理論に導入される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real life, lots of information merges from time to time. To appropriately
describe the actual situations, lots of theories have been proposed. Among
them, Dempster-Shafer evidence theory is a very useful tool in managing
uncertain information. To better adapt to complex situations of open world, a
generalized evidence theory is designed. However, everything occurs in sequence
and owns some underlying relationships with each other. In order to further
embody the details of information and better conforms to situations of real
world, a Markov model is introduced into the generalized evidence theory which
helps extract complete information volume from evidence provided. Besides, some
numerical examples is offered to verify the correctness and rationality of the
proposed method.
- Abstract(参考訳): 実生活では、多くの情報が時折融合します。
実際の状況を適切に記述するために、多くの理論が提案されている。
中でも、デンプスター・シェーファー証拠理論は不確定な情報を管理するのに非常に有用である。
オープンワールドの複雑な状況に適応するために、一般化されたエビデンス理論が設計されている。
しかし、すべてが順番に発生し、互いに基礎となる関係を持つ。
情報の詳細をさらに具現化し、実世界の状況に適合させるため、マルコフモデルは、提供された証拠から完全な情報量を抽出する一般的なエビデンス理論に導入される。
さらに,提案手法の正当性と合理性を検証する数値例も提案されている。
関連論文リスト
- A Novel Method for Pignistic Information Fusion in the View of Z-number [0.0]
Dempster-Shafer evidences theory (DSET) は不確実な情報を扱うために広く使われている。
本稿では, DSETに基づいて, 便宜的変換とZ数に基づいて, 異なる情報源からの情報を融合する全く新しい手法を提案する。
論文 参考訳(メタデータ) (2024-12-27T18:17:28Z) - From Models to Microtheories: Distilling a Model's Topical Knowledge for Grounded Question Answering [86.36792996924244]
マイクロ理論は、あるトピックに関するLMのコア知識をカプセル化した文である。
一般的なコーパス(例えばウィキペディア)に追加されると、マイクロ理論はコーパスに必ずしも存在しない重要なトピック情報を供給できることを示す。
また, 医療分野での人体評価において, 蒸留された微生物は, 局所的に重要な事実の濃度が有意に高くなることが示唆された。
論文 参考訳(メタデータ) (2024-12-23T16:32:55Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T09:41:19Z) - Sherlock Holmes Doesn't Play Dice: The significance of Evidence Theory for the Social and Life Sciences [0.0]
エビデンス理論は、事象が成立する恐れから生じる不確実性を表現することができる。
確率論は、意思決定者が現在検討している可能性に制限されなければならない。
論文 参考訳(メタデータ) (2023-09-01T07:52:28Z) - A Belief Model for Conflicting and Uncertain Evidence -- Connecting
Dempster-Shafer Theory and the Topology of Evidence [8.295493796476766]
本稿では,不一致,不完全,不確実な証拠に基づいて,信念の度合いを測定する新しいモデルを提案する。
このモデルによる信念の計算次数は一般に#P完全であることが示される。
論文 参考訳(メタデータ) (2023-06-06T09:30:48Z) - Uncertain Evidence in Probabilistic Models and Stochastic Simulators [80.40110074847527]
我々は、不確実性を伴う観測を伴う確率論的モデルにおいて、ベイズ的推論を行うという問題について考察する。
我々は、不確実な証拠をどう解釈するかを探求し、潜伏変数の推論に関連する適切な解釈の重要性を拡大する。
我々は、不確実な証拠を説明するための具体的なガイドラインを考案し、特に一貫性に関する新しい洞察を提供する。
論文 参考訳(メタデータ) (2022-10-21T20:32:59Z) - A Bayesian Framework for Information-Theoretic Probing [51.98576673620385]
我々は、探索は相互情報を近似するものとみなすべきであると論じる。
これは、表現が元の文とターゲットタスクに関する全く同じ情報をエンコードしているというかなり直感的な結論を導いた。
本稿では,ベイズ的相互情報(Bayesian mutual information)と呼ぶものを測定するための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-09-08T18:08:36Z) - A consolidating review of Spekkens' toy theory [0.0]
スペケンスのおもちゃ理論は、単純な前提に基づいており、「もし我々が共通の古典理論を取り入れ、仮定として不確実性原理を加えたらどうだろう?
我々は、安定な形式主義や任意の次元への一般化を含む、スペケンスのおもちゃ理論に対する異なるアプローチを統合する。
論文 参考訳(メタデータ) (2021-05-07T14:10:01Z) - GSum: A General Framework for Guided Neural Abstractive Summarization [102.29593069542976]
本稿では,様々な外部ガイダンスを入力として効果的に活用できる汎用的かつガイド付き要約フレームワーク(GSum)を提案する。
実験により、このモデルが有効であることが示され、ROUGEによれば、4つの一般的な要約データセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-10-15T20:46:14Z) - What can I do here? A Theory of Affordances in Reinforcement Learning [65.70524105802156]
我々はマルコフ決定過程の学習と計画を行うエージェントのための余裕の理論を開発する。
このケースでは、任意の状況で利用可能なアクションの数を減らすことで、アフォーダンスが二重の役割を担います。
本稿では,よりシンプルで一般化された遷移モデルを推定するために,余裕を学習し,それを利用するアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-26T16:34:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。