Dempster–Shafer theory
PulseAugur coverage of Dempster–Shafer theory — every cluster mentioning Dempster–Shafer theory across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的活性推理方法指导自主侦察代理
研究人员开发了一种新颖的活性推理方法，用于规划自主侦察任务中智能体的路线。该方法旨在通过构建一个包含正面和负面传感器观测的证据图来维护一个通用的作战图。生成模型利用Dempster-Shafer理论和高斯传感器模型，采用贝叶斯方法更新概率并最小化变分自由能来指导代理移动。该方法平衡了对新区域的探索和对已识别目标的利用。
-
证据深度学习增强多模态反无人机检测
研究人员探索了证据深度学习（EDL）在改进多模态反无人机检测系统中的应用。第一篇论文在AntiUAV600、TRIDENT和MM-UAV等基准上研究了EDL头和Dempster-Shafer融合，发现EDL训练目标提高了准确性。第二篇论文将EDL扩展到RGB-热融合，在Anti-UAV基准上使用折扣信念融合（DBF），展示了准确性和实时性能的提高，尽管由于该特定数据集几乎普遍存在冲突，DBF的冲突折扣机制在该数据集上表现不活跃。
-
新的Dempster-Shafer框架通过混沌冲突度量增强证据融合
研究人员开发了一种新的Dempster-Shafer理论下的多源证据融合框架，解决了现有方法中的关键局限性。所提出的系统引入了一种新颖的混沌冲突度量，以联合评估证据间的冲突和证据内的不确定性。此外，它还包含一个由历史经验驱动的加权方案，该方案利用谱聚类和遗憾理论来确定不同决策情境下证据来源的长期可靠性。在16个基准数据集上的实验表明，该框架的平均F1得分为85.78，平均AUC为93.30，优于几种基线方法。
-
New AI architecture ensures calibrated confidence with missing modalities
研究人员推出了一种新颖的架构——模态条件共形融合（MCCF），旨在即使在某些输入模态缺失的情况下，也能在多模态AI系统中保持校准的置信度估计。与将缺失数据视为预测准确性问题的先前方法不同，MCCF将对模态缺失的鲁棒性直接融入其设计中。该系统利用多模态瓶颈融合骨干网络、每模态证据头以及Dempster-Shafer组合规则来融合证据，确保缺失的模态不提供信息，而无需进行测试时插补。Mondrian共形校准模块进一步保证了在所有可用模态子…
-
AI系统ProMUSE通过自适应成像降低阿尔茨海默病诊断成本
研究人员开发了ProMUSE，一个新颖的AI系统，旨在通过自适应地整合多模态数据来改善阿尔茨海默病的早期诊断。该系统最初使用低成本的临床评估并量化诊断不确定性。如果存在高不确定性，ProMUSE会逐步整合更昂贵的数据，如MRI和PET扫描，并利用Dempster-Shafer理论融合信息，减少对昂贵成像的依赖。在基准数据集上的实验表明，ProMUSE可以达到与全模态方法相当的准确性，同时显著减少对MRI/PET扫描的需求，为广泛筛查提…
-
新AI框架通过不确定性建模增强审计风险评估
研究人员开发了UMAR，一个新颖的多智能体框架，旨在通过明确建模不确定性和证据冲突来改进审计风险评估。UMAR利用三个专业智能体——MD&A文本智能体、财务比率智能体和CAM智能体——生成具有校准不确定性的独立风险评分。然后使用Dempster-Shafer理论聚合这些评分，该理论量化了智能体间的异议。在SEC 10-K filings的3,200个公司年度观测值上的评估表明，UMAR的性能优于基线模型，AUROC达到0.782，PR…