A neural network classifier based on Dempster-Shafer theory

资 源 简 介

A neural network classifier based on Dempster-Shafer theory

详 情 说 明

基于Dempster-Shafer证据理论的神经网络分类器是一种结合深度学习和不确定性推理的混合模型。传统神经网络输出概率分布时，往往难以区分"不确定"和"均衡概率"的情况，而证据理论框架为此提供了数学基础。

该模型的核心思想是将神经网络的最后一层改造为证据收集层，每个神经元不再直接输出类别概率，而是生成对应类别的基本概率赋值（BPA）。通过Dempster组合规则，系统能明确区分数据本身的不确定性（如模糊边界）和模型认知的不足（如训练样本不足）。

在训练过程中，损失函数会同时优化分类准确性和证据质量。当遇到分布外样本时，模型能自动产生高度不确定的预测结果，这比传统softmax输出的虚假高置信度更具安全性。实际应用中，这种特性使模型特别适合医疗诊断、自动驾驶等需要可靠性评估的领域。

相比贝叶斯神经网络，基于证据理论的方案不需要预设先验分布，且能更自然地处理冲突证据的融合问题。不过计算复杂度较高，需要设计高效的近似算法来加速Dempster规则的实时计算。