用于建模不可预见事件的 Shafer 共性函数的贝叶斯变体

Shafer 的信念理论与贝叶斯概率理论是人工智能中用于建模不确定性的两种替代且相互不一致的方法。为了有助于缓解这两种方法之间的冲突，本文重新审视了期望效用理论——贝叶斯概率理论即由其推导而来。期望效用理论要求决策者为每一个可能发生的事件所对应的每个决策赋予一个效用。但决策者往往无法预见所有可能发生的事件，即可能事件之一是不可预见事件的发生。因此，一旦我们承认不可预见事件的存在，就需要开发某种方法来为以不可预见事件为条件的决策赋予效用。针对该问题的直观解决方案是对相似的事件赋予相似的效用。实施这一直观解决方案，等价于将预见到和未预见到的事件空间上的贝叶斯主观概率，替换为预见到的事件空间上的随机集理论概率。这导出了一种期望效用原则，其中 Shafer 共性函数的归一化变体扮演了主观概率的角色。因此，在决策分析中考虑不可预见事件，使得贝叶斯概率理论变得与 Shafer 理论更为相似。