論文の概要: Robust Dempster-Shafer Evidence Fusion with Chaos-Conflict Measurement and Historical-Experience Weighting
- arxiv url: http://arxiv.org/abs/2608.13108v1
- Date: Thu, 13 Aug 2026 11:35:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.504214
- Title: Robust Dempster-Shafer Evidence Fusion with Chaos-Conflict Measurement and Historical-Experience Weighting
- Title（参考訳）: カオスコンフリクト測定と履歴的重み付けを併用したロバストデンプスター・シェーファーエビデンス融合
- Abstract要約: デンプスター・シェーファー理論の下での融合は、2つの永続的な課題に直面している。
既存の尺度は、独立して証拠間不一致と証拠内不確実性を評価する。
本稿では,両制約に対処する統一的エビデンス推論フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.400248815107739
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-source evidence fusion under Dempster-Shafer theory faces two persistent challenges: existing conflict measures assess inter-evidence inconsistency and intra-evidence uncertainty independently, yielding incomplete evaluations, and current fusion methods evaluate evidence sources exclusively through instantaneous comparisns without exploiting their long-term reliability across diverse decision contexts. This paper proposes a unified evidence reasoning framework that addresses both limitations. Specifically, a chaos-conflict measurement is introduced to jointly quantify cross-evidence conflict and intra-evidence non-specificity, with five formally proven properties ensuring consistent assessment. A historical experience driven weighting scheme partitions the decision space via spectral clustering and applies regret theory to compute context-specific reliability profiles from past fusion outcomes. These mechanisms feed into a hybrid combination rule that adaptively balances uncertainty preservation against weighted consensus, controlled by the global conflict level, followed by a belief-interval decision strategy that enables robust classification without discarding epistemic uncertainty. Experiments on 16 real-world benchmark datasets demonstrate that the proposed framework achieves an average F1 score of 85.78 and a mean AUC of 93.30, outperforming eight DST-based baselines and three gradient boosting methods. Ablation analysis confirms the contribution of each component we proposed. The framework offers an effective approach for adaptive evidence fusion in multi-source decision making.
- Abstract（参考訳）: Dempster-Shafer理論の下での融合は、2つの永続的な課題に直面している: 既存の紛争対策は、矛盾した証拠間不一致と証拠内不確実性を独立に評価し、不完全な評価を得る。
本稿では,両制約に対処する統一的エビデンス推論フレームワークを提案する。
具体的には、クロス・エビデンス・コンフリクトとイントラ・エビデンス・イントラ・エビデンス・ノン特異性を共同で定量化するために、カオス・コンフリクト測定を導入する。
歴史的経験駆動重み付けスキームは、スペクトルクラスタリングによって決定空間を分割し、過去の融合結果から文脈固有の信頼性プロファイルを計算するために後悔の理論を適用する。
これらのメカニズムは、グローバルコンフリクトレベルによって制御される重み付けされたコンセンサスに対する不確実性保存を適応的にバランスさせるハイブリッドな組み合わせルールに影響を及ぼし、続いて、疫学的な不確実性を捨てることなく堅牢な分類を可能にする信念と内部決定戦略が続く。
16の実世界のベンチマークデータセットの実験により、提案されたフレームワークは平均F1スコア85.78、平均AUC93.30を達成し、8つのDSTベースのベースラインと3つの勾配向上手法を上回る結果を得た。
アブレーション分析は、提案した各成分の寄与を確認します。
このフレームワークは、マルチソース意思決定におけるアダプティブエビデンス融合に効果的なアプローチを提供する。
関連論文リスト
- Position: Anthropomorphic Misalignment Research Needs Stronger Evidence [52.76826423649968]
概念的曖昧さ,非ロバストデータセット,実験設計,不十分な因果的介入が,モデル行動の過度な解釈につながることを示す。
本研究の目的は,AMRの方法論的厳密性向上に寄与する明らかな考察のガイダンスを提供することである。
論文 参考訳（メタデータ） (2026-05-29T16:38:53Z) - To Fuse or to Drop? Dual-Path Learning for Resolving Modality Conflicts in Multimodal Emotion Recognition [87.22988227382329]
マルチモーダル感情認識(MER)は、テキスト、音声、視覚を組み合わせることで恩恵を受けるが、標準的な融合は、モダリティが相反する場合に失敗することが多い。
我々は,いつフューズするか,いつモダリティを落とすのかを学習する統合フレームワークであるDual-Path Conflict Resolution (DCR)を提案する。
論文 参考訳（メタデータ） (2026-05-06T13:11:33Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - Unified Multimodal Uncertain Inference [81.64340342055327]
Unified Multimodal Uncertain Inference (UMUI)は、テキスト、オーディオ、ビデオにまたがるタスクである。
自己整合型教師校正と分布に基づく校正型自信探索を併用して予測を行うCLUE(Calibrated Latent Uncertainty Estimation)を提案する。
論文 参考訳（メタデータ） (2026-04-09T18:46:34Z) - ERA: Evidence-based Reliability Alignment for Honest Retrieval-Augmented Generation [19.616905640490252]
本稿ではERA(Evidence-based Reliability Alignment)と呼ばれる新しいフレームワークを提案する。
提案手法は, 解答カバレッジと棄却のトレードオフを最適化し, 校正精度を向上し, ベースラインを著しく向上させる。
論文 参考訳（メタデータ） (2026-02-24T01:45:51Z) - Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。
因果効果は肯定的か否定的か?
本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
論文 参考訳（メタデータ） (2025-05-30T07:13:01Z) - Guaranteeing consistency in evidence fusion: A novel perspective on credibility [7.626019758281367]
信頼度計算とデンプスターの規則に基づく融合は、オープンループ方式で順次実行されるため、利用可能な信頼可能な証拠融合スキームは潜在的な矛盾に悩まされる。
本稿では,近ループ制御の観点から不整合を克服するために,反復的信頼性証拠融合(ICEF)を提案する。
論文 参考訳（メタデータ） (2025-04-05T10:12:32Z) - Multimodal Learning with Uncertainty Quantification based on Discounted Belief Fusion [3.66486428341988]
医療、金融、自動運転といった分野では、マルチモーダルAIモデルがますます使われています。
騒音、不十分な証拠、モダリティ間の紛争に起因する不確実性は、信頼できる意思決定に不可欠である。
本稿では,命令不変なエビデンス融合を用いた新しいマルチモーダル学習手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T22:37:18Z) - A privacy-preserving distributed credible evidence fusion algorithm for collective decision-making [16.67762257337951]
本稿では,3レベルコンセンサス(PCEF)を用いたプライバシ保存型分散信頼性エビデンス融合法を提案する。
シミュレーションの結果,PCEF は信頼性と融合性の両方において CCEF に近づき,既存の手法よりも少ない時間消費で高い判定精度が得られることがわかった。
論文 参考訳（メタデータ） (2024-12-03T03:36:42Z) - Inter Observer Variability Assessment through Ordered Weighted Belief Divergence Measure in MAGDM Application to the Ensemble Classifier Feature Fusion [1.3586572110652486]
コンセンサス結果を得るために,多属性グループ意思決定(MAGDM)が広く導入されている。
本研究では,観測間の変動を評価し,不確実性に対処するEvidential MAGDM法を提案する。
論文 参考訳（メタデータ） (2024-09-13T00:53:00Z) - Evidential Deep Partial Multi-View Classification With Discount Fusion [24.139495744683128]
Evidential Deep partial Multi-View Classification (EDP-MVC) と呼ばれる新しいフレームワークを提案する。
欠落したビューに対処するためにK-means命令を使用し、マルチビューデータの完全なセットを作成します。
この暗示されたデータ内の潜在的な衝突や不確実性は、下流の推論の信頼性に影響を与える可能性がある。
論文 参考訳（メタデータ） (2024-08-23T14:50:49Z) - Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。
TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。
理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
論文 参考訳（メタデータ） (2022-04-25T03:48:49Z)
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。