في عالم تقنيات المعلومات والذكاء الاصطناعي، يبرز مفهوم دمج المعلومات كأداة قوية لتحقيق تنسيق أفضل بين البيانات المتعددة. ومن بين الأساليب المتقدمة في هذا السياق، تبرز طرق توليد الدوال المعتمدة على الكثافة (Density-based FM generation methods) والعنصر المفتاح هو الوظائف الضبابية (Fuzzy Integrals) التي تحقق تجميعاً دقيقاً للبيانات.

تواجه هذه الطريقة تحديات كبيرة فيما يتعلق بالمعايرة المناسبة للدالة الضبابية (Fuzzy Measure)، وهي المسؤولة عن تحديد قيم المكونات الفردية وتفاعلاتها ضمن المجموعات المدَمَجة. تشير الأبحاث إلى أن الأساليب الشائعة مثل Sugeno-$\lambda$ والدوال الضبابية القابلة للتجزئة، تعتمد على استخراج المعلومات من الكثافات، أي الأوزان المرتبطة بالمصادر الفردية، مع الالتزام بقيود ترتيب الدالة الضبابية.

ومع ذلك، يبين البحث أن هذه المعلومات، بشكل عام، ليست كافية لتحديد دالة ضبابية منفردة، لكنه يكشف كيف يمكن تحديد دالة ضبابية ذات قيم ضمنية بشكل فريد. من خلال دمج معلومات إضافية، مثل اختيار دالة ضبابية محددة ومجموعة بيانات معينة، يمكن الحصول على دوال ضبابية ذات قيم أكثر تخصيصاً.

على أرض الواقع، لا يعتبر تقييم جودة الدالة الضبابية المستخلصة تجريبياً عملية بسيطة. لتسهيل ذلك، يُظهر البحث كيف يمكن قياس الاحتمالية التي تغطي بها الدالة الضبابية الناتجة القيمة "المثالية"، مما ينتج مجال ثقة عند مستوى ثقة معين.

بناءً على سلسلة من التجارب، يُظهر البحث بالتجريب أن مخرجات دالة Choquet الضبابية يمكن اعتبارها أيضاً مجال الثقة للنتيجة الكاملة والمثالية لدمج المعلومات، مما يوفر وسيلة جديدة لتوصيف نتائج الدمج الضبابي مسبقاً وفتح آفاق جديدة للبحث المستقبلي.