データ分類は機械学習およびデータ分析分野の基礎的なタスクであり、多くの産業で応用されています。実際の応用では、特徴の識別性の低さ、欠損値、分布シフト、クラス不均衡、ラベル空間の不一致、クラスの重なりといった要因が不確実性をもたらしますが、従来の確率的枠組みに基づく分類方法ではこれらの不確実性を明示的に表現・軽減することが困難です。証拠理論（ET、デンプスター・シャーファー理論とも呼ばれる）は、基本信頼割り当てと証拠結合規則を通じて、不確実性や曖昧さをモデリングする柔軟な枠組みを構築し、分類分野で注目を集めています。証拠理論に基づくデータ分類（DCET）は、それに伴いホットな研究テーマとなっています。本稿はDCETを体系的に整理し、特徴に基づくものとラベルに基づくものという二つの不確実性シナリオに沿って既存の手法を分類します。まず、証拠理論の基礎原理を紹介し、証拠に基づくK近傍分類器および派生した改良アルゴリズムをまとめます。次に、高次元特徴、属性欠損、特徴分布シフト、ラベル分布不均衡、ラベル空間不一致、クラス重なりという六つの不確実性シナリオに適用可能な表形式データ分類の証拠理論手法を整理します。さらに、証拠理論と深層ニューラルネットワークの結合や、画像などの非構造化データに対する分類手法を解説します。また、人体行動認識、医用画像セグメンテーション、リモートセンシング画像分類、リモートセンシング画像変化検出などの代表的な応用シナリオをまとめます。最後に、DCETの今後の研究方向について論じます。

証拠理論;不確実データ分類;信頼関数;証拠推論;D-S理論;マルチソース情報融合