DS理論與異源問題
Dempster-Shafer（DS）證據理論自1967年提出以來，成為不確定性資訊融合的重要工具。根據Shafer（1976）著作，DS理論可透過「基本信任分配」（Basic Probability Assignment, BPA）處理不確定性。然而，現實場景中，不同來源或組織所訓練模型與資料常採用異構框架（Heterogeneous Frame），導致傳統Dempster結合規則在跨框架融合時出現高衝突度與信度下降。
開放世界融合準則
針對此類「開放世界」資訊融合需求，2025年在arXiv新發表的FNBT論文提出判定標準：當待融合質量函數（Mass Function）所屬框架元素總數差異超過門檻，且存在新興命題時，即視為開放世界問題。此準則能從理論上識別資料孤島，為後續框架擴充奠定基礎。
全否定演算法架構
Full Negation Belief Transformation（FNBT）包含三步驟：一、依開放世界準則擴充原始框架，將所有質量函數映射至同一超框架；二、定義「全否定運算」（Full Negation Operation），將原始m(A)轉換為m^*(¬A)；三、於轉換後質量函數採用傳統結合規則（如DS或Yager規則）進行融合。此機制使異構框架之間達到可比較性，並保留原始資訊的衍生關係。
三大理論性質驗證
根據FNBT論文，該方法滿足以下性質：一、質量函數不變性（Mass Function Invariance）：若原框架一致，FNBT轉換後融合結果與原方法等價；二、可繼承性（Heritability）：新元素引入不影響既有信念分配；三、本質衝突消除（Essential Conflict Elimination）：對於Zadeh反例（Zadeh, 1984）等極端衝突場景，FNBT可在結合過程中自動調和，避免極端0/1分配崩潰。
實際效能與案例分析
在多個公開資料集（UCI Wine、CIFAR-10子集）上進行模式分類實驗時，根據論文附錄Benchmark結果，FNBT融合分類準確率較傳統DS提高3%–7%。此外，使用金融風險評估資料，FNBT在高衝突情境下的F1值相較Yager規則提升近12%。此實驗結果顯示，FNBT能有效處理開放世界帶來的異源衝突。
產線優化與未來展望
對於雲端SaaS或跨組織協作系統，可將FNBT整合於微服務架構中，於資料入口處以服務網格（Service Mesh）方式攔截並轉換質量函數，實現動態框架擴充與融合。未來，結合生成式AI與深度學習特徵提取，可自動識別框架元素並生成對應否定函數，進一步簡化部署流程，為後端效能與開發效率提供新解。
