面向DST基准问题的模糊信念融合
提出了一种新的基于概率论和证明论的处理量化模态逻辑(一阶模态逻辑)不确定性的系统,通过解决归纳处置的问题,使Chisholm的理论得到具体实现,可用于交互式系统,用于解释其不确定性提供合理解释。
May, 2017
本文提出了一种关于认知随机模糊集的普遍理论,用于处理模糊或清晰证据,并通过广义的乘积交集规则进行独立认知随机模糊集的组合,提出了用于量化标量或矢量量,即高斯随机模糊数和多维高斯随机模糊向量的实用模型,并为组合、投影和平凡扩展推导了高斯随机模糊数和向量的公式。
Feb, 2022
本论文提出了一种新的模型,结合了Dempster-Shafer Theory和Evidence的拓扑模型,可以根据不同标准计算代理的(可能)不同的信念程度,并解决了计算这些程度的问题的#P-complete问题。
Jun, 2023
本文旨在研究如何将单个概率信念合理地聚合为集体二元信念,采用议程理论方法推广了此前的研究成果,得出了使“寡头统治”成立的议程条件,还研究了附加了匿名性和完备性一致性后的易证无解和不可避免结果。
Jul, 2023
该论文提出了一种对连接数据消息中的认知不确定性进行建模以及根据碰撞概率的置信度对连接事件进行分类的方法,该方法基于证据的Dempster-Shafer理论,假设观测到的连接数据消息来自于一组未知分布,利用Dvoretzky-Kiefer-Wolfowitz不等式构建了这组未知分布的稳健界限,并从时间序列的连接数据消息构建了Dempster-Shafer理论结构,该结构包含了连接数据消息的不确定性,并允许计算给定碰撞概率实现的置信度和可信度。本文提出的方法在几个真实事件上进行了测试,并与欧洲和法国航天局的现有做法进行了比较。
Jan, 2024
在不确定环境中开发一个通用的信息处理模型是推进可解释人工智能的基础,本文从等位信任函数和超谨慎可转移信任模型的视角提出了一个等位转换和新的规范分解方法,建立了一种理论基础用于基于概率、Dempster-Shafer理论和可能性理论的人工智能通用模型的构建。
May, 2024