Machine learningEvidence theory
데مبر스터-셰퍼 증거 이론
데مبر스터-셰퍼 이론은 베이즈 확률을 일반화하여 무지를 명시적으로 표현함으로써 불확실성 하에서의 추론을 위한 수학적 프레임워크입니다. 각 가설에 단일 확률을 강제하는 대신, 가설 집합에 신념 질량을 할당하고 신념-개연성 구간을 도출하며, 여러 독립 소스에서 증거를 융합하기 위한 데مبر스터의 규칙을 제공합니다. Arthur Dempster의 1967년 연구와 Glenn Shafer의 1976년 단행본에서 개발된 이 이론은 증거 추론 및 센서/결정 융합의 기초가 됩니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics, 38(2), 325–339. DOI: 10.1214/aoms/1177698950 ↗
- Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press. ISBN: 978-0-691-08175-5
이 페이지 인용 방법
ScholarGate. (2026, June 2). Dempster-Shafer Theory of Evidence (Belief Functions). ScholarGate. https://scholargate.app/ko/soft-computing/dempster-shafer-theory
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 베이즈 네트워크베이지안↔ compare
- 사례 기반 추론 (Case-Based Reasoning, CBR)소프트 컴퓨팅↔ compare
- 퍼지 인지 지도 (Fuzzy Cognitive Maps, FCM)소프트 컴퓨팅↔ compare
- 나이브 베이즈머신러닝↔ compare