A scheme for constructing evidence structures in Dempster-Shafer evidence theory for data fusion
Notice bibliographique
Résumé
This paper addresses the issue of evidence structure construction involved in the Dempster-Shafer evidence theory (DSET) based reasoning for data fusion. An in-depth study is carried out on the properties of the proposed Proportional Difference Evidence Structure Constructing Scheme (PDESCS). Some properties have been mathematically proved for the PDESCS associated DSET. If PDESCS is applied to probabilistic evidence, in terms of posterior probability distributions, the DSET based reasoning with the maximum commonality decision making scheme is equivalent to the Beyesian approach with the maximum a posteriori probability principle (MAP). If PDESCS is applied to fuzzy evidence, in terms of fuzzy sets, the DSET based reasoning is equivalent to applying the maximum fuzzy membership decision making scheme to the intersected fuzzy set by the product T-norm operator. If PDESCS is applied to both probabilistic evidence and fuzzy evidence, the DSET based reasoning is equivalent to applying the maximum fuzzy set probability decision making scheme. To show the effectiveness of the PDESCS associated DSET, experiments are carried out for classifying human brain MR (magnetic resonance) images. It is concluded that the proposed scheme works well, and provides not only a unified framework to accommodate probabilistic evidence and fuzzy evidence, but also an effective reasoning mechanism to deal with different uncertainty, in terms of randomness and fuzziness, as well as precision.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».