論文の概要: GBRS: An Unified Model of Pawlak Rough Set and Neighborhood Rough Set
- arxiv url: http://arxiv.org/abs/2201.03349v2
- Date: Tue, 11 Jan 2022 02:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 12:11:45.620674
- Title: GBRS: An Unified Model of Pawlak Rough Set and Neighborhood Rough Set
- Title（参考訳）: GBRS: Pawlakラフセットと近隣ラフセットの統一モデル
- Authors: Shuyin Xia, Cheng Wang, GuoYing Wang, XinBo Gao, Elisabeth Giem,
JianHang Yu
- Abstract要約: ポーラク粗集合と近傍粗集合は、最も一般的な2つの粗集合理論モデルである。
本稿では,グラニュラー・ボール・コンピューティングに基づくグラニュラーボール・ラフセットを提案する。
- 参考スコア（独自算出の注目度）: 67.17936132922955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pawlak rough set and neighborhood rough set are the two most common rough set
theoretical models. Pawlawk can use equivalence classes to represent knowledge,
but it cannot process continuous data; neighborhood rough sets can process
continuous data, but it loses the ability of using equivalence classes to
represent knowledge. To this end, this paper presents a granular-ball rough set
based on the granlar-ball computing. The granular-ball rough set can
simultaneously represent Pawlak rough sets, and the neighborhood rough set, so
as to realize the unified representation of the two. This makes the
granular-ball rough set not only can deal with continuous data, but also can
use equivalence classes for knowledge representation. In addition, we propose
an implementation algorithms of granular-ball rough sets. The experimental
resuts on benchmark datasets demonstrate that, due to the combination of the
robustness and adaptability of the granular-ball computing, the learning
accuracy of the granular-ball rough set has been greatly improved compared with
the Pawlak rough set and the traditional neighborhood rough set. The
granular-ball rough set also outperforms nine popular or the state-of-the-art
feature selection methods.
- Abstract（参考訳）: パウラーク粗集合と近傍粗集合は、最も一般的な粗集合理論モデルである。
Pawlawk は知識を表現するために同値クラスを使用することができるが、連続データを処理することはできない。
そこで本稿では,グラニュラーボール計算に基づく粒状ボール粗さ集合を提案する。
粒状ボール粗さ集合は、パウラーク粗さ集合と近傍粗さ集合を同時に表現することができ、2つの統一表現を実現することができる。
これにより、粒度ボールの粗い集合は連続データを扱うだけでなく、知識表現に同値クラスを使うことができる。
さらに,粒状球粗集合の実装アルゴリズムを提案する。
ベンチマークデータセットを用いた実験の結果,粒球計算のロバスト性と適応性の組み合わせにより,粒球粗さ集合の学習精度は,pawlak粗さ集合と従来の近傍粗さ集合と比較して大幅に向上した。
グラウラーボールセットはまた、9つの人気または最先端の特徴選択方法よりも優れている。
関連論文リスト
- GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。
GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。
グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
論文 参考訳（メタデータ） (2024-10-17T07:32:05Z) - A robust three-way classifier with shadowed granular-balls based on justifiable granularity [53.39844791923145]
我々は、不確実なデータのために、影付きGBの頑健な3方向分類器を構築した。
本モデルでは,不確実なデータ管理を実証し,分類リスクを効果的に軽減する。
論文 参考訳（メタデータ） (2024-07-03T08:54:45Z) - On the Granular Representation of Fuzzy Quantifier-Based Fuzzy Rough
Sets [0.7614628596146602]
本稿ではファジィ量化器に基づくファジィ粗集合(FQFRS)に焦点を当てる。
チェケットベースファジィ粗集合は、OWAベースファジィ粗集合と同じ条件下で粒度的に表現できることを示す。
この観察は、データの矛盾を解消し、ノイズを管理するこれらのモデルの可能性を強調している。
論文 参考訳（メタデータ） (2023-12-27T20:02:40Z) - Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy
Granular balls [67.33923111887933]
本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。
ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
論文 参考訳（メタデータ） (2023-03-07T01:52:55Z) - Supervised Feature Compression based on Counterfactual Analysis [3.2458225810390284]
本研究は,事前学習したブラックボックスモデルの重要な決定境界を検出するために,非現実的説明を活用することを目的としている。
離散化されたデータセットを使用して、ブラックボックスモデルに似た最適な決定木をトレーニングすることができるが、解釈可能でコンパクトである。
論文 参考訳（メタデータ） (2022-11-17T21:16:14Z) - Set2Box: Similarity Preserving Representation Learning of Sets [18.85308805841525]
本研究では,集合の圧縮表現のための学習ベースアプローチであるSet2Boxを提案する。
また、より簡潔だがより正確な集合のボックス表現をもたらすSet2Box+を設計します。
実世界の8つのデータセットの実験を通して、Set2Box+は (a) 精度: 最大40.8倍の小さい推定誤差を達成し、また、 (b) 簡潔さ: 96.8倍の精度の表現と類似した推定誤差、 (c) ヴァーサタイル: 各集合の1つの表現から4つの設定相似測度を推定できるようにする。
論文 参考訳（メタデータ） (2022-10-07T02:11:12Z) - An Efficient and Adaptive Granular-ball Generation Method in
Classification Problem [69.02474089703678]
グラニュラーボールコンピューティングは、グラニュラーコンピューティングのための効率的で堅牢でスケーラブルな学習方法である。
本稿では,$k$-meansを置き換えるために,ディビジョンを用いたグラニュラーボール生成を高速化する手法を提案する。
従来の方法と同様の精度を確保しつつ、グラニュラーボール生成の効率を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-01-12T07:26:19Z) - Mini-Batch Consistent Slot Set Encoder for Scalable Set Encoding [50.61114177411961]
大規模のミニバッチセットエンコーディングに必要な、Mini-Batch Consistencyと呼ばれる新しいプロパティを紹介します。
本稿では,設定要素に対してミニバッチ処理が可能で,より多くのデータが到着するにつれて,セット表現を更新できる,スケーラブルで効率的なセット符号化機構を提案する。
論文 参考訳（メタデータ） (2021-03-02T10:10:41Z) - The Shapley Value of Classifiers in Ensemble Games [7.23389716633927]
この質問に答えるために、移動可能なユーティリティ協力ゲームの新しいクラスを紹介します。
アンサンブルゲームのプレイヤーは、データセットからポイントを正しくラベル付けするためにアンサンブルで協力する事前訓練されたバイナリ分類器です。
我々は,アンサンブルゲームのShapley値に基づいて,個々のモデルのペイオフを指定するスケーラブルなアルゴリズムを設計する。
論文 参考訳（メタデータ） (2021-01-06T17:40:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。