分类精度提升
将经典f-散度首次扩展到Dempster-Shafer证据理论框架，统一多种证据散度度量，为多源信息融合提供通用工具。
肖富元 · Ding W. · Pedrycz, Witold
IEEE Transactions on Knowledge and Data Engineering 2025
通过一个广义f-散度框架，取决于不同的核函数，可以退化为EKL、REKL、EJ、EJS、Eχ²、ESχ²散度、ET判别以及EH和ETV距离，避免了为每种度量单独设计公式的繁琐。
这项工作是将经典f-散度扩展到Dempster-Shafer证据理论框架内的首次尝试，利用了BBA函数的独特性质，为后续研究开辟了新方向。
提出的Ef-MSIF算法在真实世界数据集上进行了评估，实验结果表明分类精度有所提升，其中最佳的Ef-MSIF算法与次优方法相比整体性能差异缩小了约1.22倍，证明了其实用有效性。
当基本信念赋值（BBA）转换为概率分布时，这些Ef散度类会回到统计学和信息论中对应的经典度量，保证了理论上的兼容性。