데이터 분류는 머신러닝 및 데이터 분석 분야의 기본 과제로, 다양한 산업 분야에 적용됩니다. 실제 적용에서는 특성 구분도가 낮음, 결측값, 분포 편이, 클래스 불균형, 라벨 공간 불일치, 클래스 중첩 등 여러 요인이 불확실성을 초래하며, 확률적 프레임워크에 기반한 기존 분류 방법은 이러한 불확실성을 명확히 표현하거나 완화하기 어렵습니다. 증거 이론(ET, 데프스터-셰이퍼 이론으로도 알려짐)은 기본 신뢰 할당과 증거 결합 규칙을 통해 불확실성과 모호성을 모델링할 수 있는 유연한 프레임워크를 구축하여 분류 분야에서 점차 주목받고 있습니다. 증거 이론 기반 데이터 분류(DCET)는 이에 따라 인기 연구 주제가 되었습니다. 본 논문은 DCET를 체계적으로 정리하며, 특성 기반과 라벨 기반 두 가지 불확실성 시나리오에 따라 기존 방법을 분류합니다. 먼저 증거 이론의 기본 원리를 소개하고, 증거 기반 K-최근접 이웃 분류기 및 그 파생 개선 알고리즘을 요약합니다. 다음으로 고차원 특성, 속성 결손, 특성 분포 편이, 라벨 분포 불균형, 라벨 공간 불일치, 클래스 중첩 등 6대 불확실성 시나리오에 적합한 표 형식 데이터 분류용 증거 이론 방법을 정리합니다. 이어서 증거 이론과 심층 신경망의 결합, 이미지와 같은 비정형 데이터용 분류 방안을 설명합니다. 또한 인간 행동 인식, 의료 영상 분할, 원격 감지 영상 분류, 원격 감지 영상 변화 탐지 등 대표적 응용 분야를 요약합니다. 마지막으로 DCET의 향후 연구 방향을 논의합니다.

증거 이론;불확실 데이터 분류;신뢰 함수;증거 추론;D-S 이론;다중 소스 정보 융합