DOI: https://doi.org/10.1007/s40815-025-02117-7
تاريخ النشر: 2025-09-30
المؤلف: Juntao Xu وآخرون
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
تقدم هذه الورقة مؤشر الاعتمادية الضبابي (FRI)، وهو خوارزمية جديدة مصممة لتقييم موثوقية مصادر الأدلة ضمن إطار نظرية ديمبستر-شافر (DST) ومجموعات الضبابية الحدسية (IFS). تقوم خوارزمية FRI بت quantifying مساهمات مختلف التعيينات الأساسية للاحتمالات (BPAs) في اتخاذ القرار، مع الأخذ في الاعتبار التأثيرات الإيجابية والسلبية على الموثوقية. من خلال إنشاء قواعد تحويل تربط بين IFS و DST، تعزز FRI من عقلانية تقدير الموثوقية، مما يجعلها فعالة بشكل خاص لمشاكل التصنيف في السيناريوهات المعقدة.
تظهر النتائج التجريبية تفوق خوارزمية FRI على الطرق التقليدية المعتمدة على DST وطرق التعلم الآلي الكلاسيكية، خاصة في مهام تصنيف الأنماط. استخدمت التقييم مجموعة بيانات الزهرة وبيانات إضافية من مجالات متنوعة، مؤكدة على قابلية تعميم FRI وفعاليتها في التعامل مع مجموعات بيانات كبيرة ذات قيم ميزات متداخلة. تسلط الورقة الضوء على المساهمة الرئيسية في تطوير قاعدة لتقدير القرار مستندة إلى مجموعات الضبابية الحدسية، مما يميز FRI عن الخوارزميات الموجودة. ستركز الأعمال المستقبلية على دمج التشابه بين مصادر الأدلة وتنقيح حسابات الموثوقية لتحسين تطبيق FRI في سياقات متنوعة.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية وتطبيقات نظرية الأدلة، المعروفة أيضًا بنظرية ديمبستر-شافر (DST)، عبر مجالات متنوعة مثل اتخاذ القرار، تشخيص الأخطاء، التجميع، والتعرف على الأنماط. تُقدّر DST لقدرتها على التعامل مع المعلومات غير المؤكدة والمتضاربة، مما أدى إلى تطورها إلى أطر أكثر تعقيدًا، بما في ذلك نظرية الأدلة الكمومية العامة. ومع ذلك، تواجه النظرية قيودًا ملحوظة، خاصة في إنتاج نتائج غير بديهية عند مواجهة أدلة متضاربة بشدة، كما يتضح من مفارقة زاده. تثير هذه المفارقة مخاوف بشأن متانة وموثوقية DST، خاصة فيما يتعلق بجودة مجموعة الأدلة (BoE) المستخدمة في التحليلات.
لمعالجة هذه التحديات، تقترح الورقة خوارزمية جديدة تُسمى مؤشر الاعتمادية الضبابي (FRI)، والتي تهدف إلى قياس موثوقية مصادر الأدلة. تتضمن منهجية FRI عدة خطوات: تحويل ميزات العينة العددية إلى تعيينات احتمالية أساسية (BPAs) باستخدام أرقام ضبابية مثلثية (TFNs)، وترجمة هذه BPAs إلى قيم ضبابية حدسية (IFVs) من خلال قواعد التحويل المعمول بها، وتحديد مساهمة BPAs في اتخاذ القرار. يتم تطبيع التقييمات النهائية للموثوقية لضبط BPAs للقرارات اللاحقة، مما يؤدي إلى دمجها باستخدام DST. تسلط الورقة الضوء على مساهمات هذه الدراسة، خاصة في تعريف قواعد التحويل بين مجموعات الضبابية الحدسية (IFS) و DST، مما يعزز من تقدير مساهمات BPA في عمليات اتخاذ القرار. يتم تقييم فعالية FRI من خلال أمثلة عددية وتطبيقات تصنيف الأنماط، مما يظهر أدائها المتفوق مقارنة بالخوارزميات المعتمدة على DST الموجودة وطرق التعلم الآلي التقليدية.
طرق
في قسم الطرق، يوضح المؤلفون الرموز الأساسية ذات الصلة بمشاكل التصنيف. يعرفون إطار التمييز (FOD) على أنه $\Theta = \{A_1, A_2, A_3, \ldots, A_k\}$، والذي يشمل التصنيفات المحتملة لمتغير. يتم الإشارة إلى الكائنات قيد التقييم بـ $O = \{O_1, O_2, \ldots, O_n\}$، بينما تمثل مصادر الأدلة، التي تتوافق مع ميزات مختلفة من هذه الكائنات، بـ $S = \{S_1, S_2, \ldots, S_j\}$. يتم التعبير عن درجة دعم مصدر الأدلة $S_j$ بالنسبة للكائن $O_n$ الذي ينتمي إلى الفئة $A_k$ على أنها $m_j\{O_n\}(A_k)$ في شكل تعيين احتمالي أساسي (BPA). يتم الإشارة إلى الفئة الحقيقية للكائن $O_n$ بـ $m^*\{O_n\}(A^*)، مع الفهم أنه في التعلم الموجه، تكون الفئة الحقيقية معروفة، مما يؤدي إلى $m^* = 0$ لجميع $A_k \in \Theta$ حيث $A_k \neq A^*$.
يناقش المؤلفون أيضًا طرق التعلم الآلي الكلاسيكية، وبشكل خاص آلات الدعم الناقل (SVMs). تتميز SVMs بهدفها في زيادة الهامش بين الفئات المختلفة من خلال تحديد مستوى فاصل يفصل بينها داخل فضاء الميزات. تعتمد هذه الطريقة على المتجهات الداعمة، وهي نقاط البيانات الأقرب إلى حدود القرار. علاوة على ذلك، يمكن لـ SVMs التعامل مع التصنيف غير الخطي من خلال حيل النواة، التي تحول البيانات إلى فضاء ذي أبعاد أعلى، مما يحسن من قدرات تعميم النموذج ويعالج بشكل فعال لعنة الأبعاد. وهذا يجعل SVMs مناسبة بشكل خاص لمجموعات البيانات المعقدة.
نقاش
في هذا القسم، يناقش البحث تطوير مقياس جديد لتقييم الموثوقية في اتخاذ القرار، خاصة في سياق نظرية الأدلة ديمبستر-شافر (DST) ومجموعات الضبابية الحدسية لأتاناسوف (IFS). تعزز الطريقة المقترحة، التي تُسمى مؤشر الاعتمادية الضبابي (FRI)، من دور تعيينات الاحتمالات الأساسية العادية (BPAs) بينما تخفف من الآثار السلبية لـ BPAs غير العادية. هذه الطريقة مفيدة بشكل خاص لمهام تصنيف الأنماط في السيناريوهات المعقدة، حيث تسمح بتقييم أكثر دقة لموثوقية الأدلة.
ت outline الورقة منهجية منظمة، تبدأ بالمفاهيم الأساسية لـ DST و IFS، تليها تقديم خوارزمية FRI، التي يتم توضيحها من خلال أمثلة عددية. يتم التحقق من فعالية خوارزمية FRI من خلال تطبيقات متنوعة في التعرف على الأنماط، حيث يتم مقارنتها بالخوارزميات الموجودة. تشير النتائج إلى أن طريقة FRI لا تحسن فقط من دقة اتخاذ القرار ولكنها توفر أيضًا إطارًا قويًا للتعامل مع عدم اليقين في تقييم الأدلة، مما يسهم بشكل كبير في مجال تصنيف الأنماط.
DOI: https://doi.org/10.1007/s40815-025-02117-7
Publication Date: 2025-09-30
Author(s): Juntao Xu et al.
Primary Topic: Multi-Criteria Decision Making
Overview
This paper presents the Fuzzy Reliability Index (FRI), a novel algorithm designed to assess the reliability of evidence sources within the framework of Dempster-Shafer theory (DST) and Intuitionistic Fuzzy Sets (IFS). The FRI algorithm quantifies the contributions of different Basic Probability Assignments (BPAs) to decision-making, accounting for both positive and negative impacts on reliability. By establishing transformation rules that bridge IFS and DST, the FRI enhances the rationality of reliability estimation, making it particularly effective for classification problems in complex scenarios.
Experimental results demonstrate the superiority of the FRI algorithm over traditional DST-based and classical machine learning methods, particularly in pattern classification tasks. The evaluation utilized the iris dataset and additional datasets from various fields, confirming FRI’s generalizability and effectiveness in handling large datasets with overlapping feature values. The paper highlights the primary contribution of developing a decision quantification rule rooted in intuitionistic fuzzy sets, distinguishing FRI from existing algorithms. Future work will focus on incorporating the similarity between evidence sources and refining reliability calculations to further improve the FRI’s applicability in diverse contexts.
Introduction
The introduction of this research paper discusses the significance and applications of Evidence Theory, also known as Dempster-Shafer Theory (DST), across various domains such as decision-making, fault diagnosis, clustering, and pattern recognition. DST is valued for its ability to handle uncertain and conflicting information, leading to its evolution into more complex frameworks, including generalized quantum evidence theory. However, the theory faces notable limitations, particularly in producing counter-intuitive results when confronted with highly conflicting evidence, as exemplified by the Zadeh paradox. This paradox raises concerns about the robustness and reliability of DST, especially regarding the quality of the body of evidence (BoE) used in analyses.
To address these challenges, the paper proposes a novel algorithm called the Fuzzy Reliability Index (FRI), which aims to measure the reliability of evidence sources. The FRI methodology involves several steps: converting numerical sample features into basic probability assignments (BPAs) using Triangular Fuzzy Numbers (TFNs), translating these BPAs into Intuitionistic Fuzzy Values (IFVs) through established transformation rules, and determining the contribution of BPAs to decision-making. The final reliability assessments are normalized to adjust BPAs for subsequent decisions, culminating in their fusion using DST. The paper highlights the contributions of this study, particularly in defining transformation rules between Intuitionistic Fuzzy Sets (IFS) and DST, thereby enhancing the quantification of BPA contributions to decision-making processes. The effectiveness of FRI is evaluated through numerical examples and pattern classification applications, demonstrating its superior performance compared to existing DST-based algorithms and traditional machine learning methods.
Methods
In the section on methods, the authors clarify essential notations relevant to classification problems. They define the frame of discernment (FOD) as $\Theta = \{A_1, A_2, A_3, \ldots, A_k\}$, which encompasses the potential classifications of a variable. The objects under evaluation are denoted by $O = \{O_1, O_2, \ldots, O_n\}$, while the evidence sources, corresponding to various features of these objects, are represented as $S = \{S_1, S_2, \ldots, S_j\}$. The support degree of evidence source $S_j$ regarding object $O_n$ belonging to class $A_k$ is expressed as $m_j\{O_n\}(A_k)$ in the form of Basic Probability Assignment (BPA). The true class of object $O_n$ is indicated by $m^*\{O_n\}(A^*)$, with the understanding that in supervised learning, the true class is known, leading to $m^* = 0$ for all $A_k \in \Theta$ where $A_k \neq A^*$.
The authors also discuss classical machine learning methods, specifically Support Vector Machines (SVMs). SVMs are characterized by their objective to maximize the margin between different classes by identifying a hyperplane that separates them within the feature space. This method relies on support vectors, which are the data points nearest to the decision boundary. Furthermore, SVMs can handle non-linear classification through kernel tricks, which transform the data into a higher-dimensional space, thereby improving the model’s generalization capabilities and effectively addressing the curse of dimensionality. This makes SVMs particularly suitable for complex datasets.
Discussion
In this section, the research discusses the development of a new metric for evaluating reliability in decision-making, particularly in the context of Dempster-Shafer evidence theory (DST) and Atanassov’s Intuitionistic Fuzzy Sets (IFS). The proposed method, termed the Fuzzy Reliability Index (FRI), enhances the role of normal Basic Probability Assignments (BPAs) while mitigating the negative effects of abnormal BPAs. This approach is particularly beneficial for pattern classification tasks in complex scenarios, as it allows for a more nuanced assessment of evidence reliability.
The paper outlines a structured methodology, beginning with foundational concepts of DST and IFS, followed by the introduction of the FRI algorithm, which is illustrated through numerical examples. The effectiveness of the FRI algorithm is validated through various applications in pattern recognition, where it is compared against existing algorithms. The findings suggest that the FRI method not only improves decision-making accuracy but also provides a robust framework for handling uncertainty in evidence assessment, thereby contributing significantly to the field of pattern classification.