保序快速融合折扣证据的多属性决策方法

《Information Fusion》：Order-Preserving Fast Fusion of Discounted Evidence for Multi-Attribute Decision-Making

　　

研究人员提出一种保序快速融合模型，将折扣证据融合的计算复杂度由O(2n)降至O(n)。通过构建可微分目标函数，实现基于梯度的折扣因子高效优化。在十个UCI数据集上，该方法分类精度显著优于11种基线方法，为实时多属性决策（MADM）提供了实用解决方案。传统Dempster-Shafer证据理论（DST）依赖基本概率赋值（BPA）与Pignistic概率变换（BetP）进行证据融合，但精确融合呈指数复杂度，且折扣因子优化被证明为NP难，启发式方法虽快却无法直接优化决策指标。研究人员利用MADM仅需正确排序（偏序）而非精确后验概率这一洞察，建立基于BetP族的等价计算模型，并在保序前提下导出线性复杂度数值近似；进而将离散分类准确率转化为连续可微代理目标，使用梯度下降求解最优折扣因子。实验表明，该框架在证据理论内部对比中精度最高且效率大幅提升，跨框架对比标准分类器时在类别不平衡场景优势明显，中等高维数据结合属性约简仍可行，参数敏感性可控。保序性保证近似线性模型与精确DST融合所得方案排序一致。

研究背景方面，多属性决策（MADM）常需融合多源不确定且冲突的信息。Dempster-Shafer证据理论（DST）通过基本概率赋值（BPA）显式建模无知与冲突，具备可解释性，但标准流程（BPA生成、折扣处理、Dempster组合、Pignistic概率变换（BetP）决策）中，精确融合复杂度为O(2ⁿ)，而折扣因子优化若直接以分类准确率为目标则呈NP难，导致现有四类折扣因子估计方法（均匀假设、关系驱动、源特征驱动、经验优化驱动）陷入效率—精度权衡：启发式类不直接优化决策指标，优化类受指数融合拖累无法实时。研究人员指出，MADM最终目标常是获得方案正确排序（偏序）而非精确后验概率，这一保序需求为突破复杂度界提供契机。

关键技术方法上，研究人员采用四条UCI数据集队列（共12个，含不平衡与中等高维集），使用四种BPA生成方法（原始法OM、信念函数变换BFT、基于似真度PL、基于典型分解CD-BFT）；核心方法分两步：其一，推导折扣BPA经Dempster组合后BetP的等价表达式，证明传统指数路径可改写为对“BetP族函数”的加权计算，再利用保序要求导出O(n)数值近似（条件为折扣因子α≤δ）；其二，将离散准确率经高阶数学变换化为连续可微代理目标，以梯度下降或多起点重启求解最优α。实验另设属性约简前置与放大指数、类别数、重启次数等参数敏感性分析。

研究结果部分，引言指出双重计算诅咒（指数融合+NP难优化）阻碍数据驱动折扣落地，研究人员以保序重构打破僵局。第2节预备知识固化FOD、幂集、BPA、信度（Bel）、似真度（Pl）、BetP及折扣公式m^(α)定义。第3节厘清源可靠性、证据不确定性、证据冲突、决策可靠性与折扣因子五概念单向关系，辩证批驳“高不确定即低可靠”“高冲突即低可靠”等谬误，将现有折扣估计归为四类并指出现有关系驱动类（M1–M10）含多数决偏见。第4节给出定理1等价重构：N源折扣融合的BetP可表为各证据源子集组合的加权和，系数仅由α积决定可预计算；据此提出保序快速融合近似，复杂度降至O(n)，且α≤δ时排序与精确DST一致。第5节详述可微目标构建与梯度优化算法。第6节实验在12 UCI集对比11种证据内基线，精度最高且较传统优化基线（如遗传算法）耗时锐减；跨框架对比6种标准分类器，在不平衡集上凭DST不确定性处理占优；中等高维集接属性约简可行；参数分析显示放大指数与重启次数影响收敛稳定性。第7节结论强调保序快速融合解耦了融合与优化瓶颈，为实时MADM提供可扩展基础。

讨论与结论翻译：研究人员总结，所提保序快速融合等价框架通过等价变换与保序近似将融合由O(2ⁿ)降至O(n)，并通过可微代理目标解锁梯度优化折扣因子，协同消除双重计算诅咒；在证据理论内对比11基线精度最高、效率显著优于传统优化法，跨框架对比标准分类器在类别不平衡下稳健性更强，结合属性约简可拓至更高维特征空间；保序性保证近似模型与精确DST融合的方案排序一致，适用于以相对排序为核心的决策任务。该研究发表于《Information Fusion》，为实时、多源、不确定环境下的多属性决策提供了兼具可解释性与可学习性的证据推理新范式。